Regroupement par graphes pour l’arbitrage statistique multi-paires sur les actions américaines

Résumé

Cette étude propose un cadre d’arbitrage statistique multi-paires sur les actions américaines, qui utilise le regroupement par graphes pour repérer les relations entre actions. Elle combine des méthodes quantitatives, des classificateurs d’apprentissage automatique et le critère de Kelly, dans le but d’améliorer la détection des signaux, la gestion des risques et la résistance aux coûts de transaction. L’approche teste également des méthodes de définition de règles de prise de profit et de stop-loss pour un trading quotidien.

Les auteurs rapportent que toutes les approches testées ont dépassé leurs références respectives en supposant des coûts de transaction réalistes, et que les meilleures combinaisons de méthode et de paramètres ont produit des mesures de performance nettement supérieures. Ils signalent aussi une sensibilité aux variations de certains paramètres clés. Le document ne précise ni les actions, ni la période d’évaluation, ni les références exactes, ni les hypothèses de coûts, ni l’ampleur des variations testées, ce qui limite l’évaluation indépendante et les conclusions sur la performance hors du cadre étudié.

Idées clés

• Le regroupement par graphes sert à organiser des actions pour une stratégie d’arbitrage statistique multi-paires.
• Le cadre combine des classificateurs d’apprentissage automatique, des méthodes quantitatives et le critère de Kelly.
• La détection des signaux et le contrôle des risques comprennent l’optimisation de règles quotidiennes de prise de profit et de stop-loss.
• Les auteurs rapportent une surperformance par rapport aux références en supposant des coûts de transaction réalistes.
• La performance rapportée dépend de certains paramètres, dont les variations ne sont pas détaillées.

Étiquettes

# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market


# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market









The study seeks to develop an effective strategy based on the novel framework of statistical arbitrage based on graph clustering algorithms. Amalgamation of quantitative and machine learning methods, including the Kelly criterion, and an ensemble of machine learning classifiers have been used to improve risk-adjusted returns and increase immunity to transaction costs over existing approaches. The study seeks to provide an integrated approach to optimal signal detection and risk management. As a part of this approach, innovative ways of optimizing take profit and stop loss functions for daily frequency trading strategies have been proposed and tested. All of the tested approaches outperformed appropriate benchmarks. The best combinations of the techniques and parameters demonstrated significantly better performance metrics than the relevant benchmarks. The results have been obtained under the assumption of realistic transaction costs, but are sensitive to changes in some key parameters.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.