Apprentissage par graphes et positions synthétiques pour l’arbitrage statistique sur options

Article arXiv papers · Auteur: Yoonsik Hong et al.

Résumé

Cet article propose une méthode en deux étapes pour repérer et négocier des occasions d’arbitrage statistique sur options. Il définit d’abord une cible de prédiction destinée à isoler l’arbitrage pur à l’aide d’obligations synthétiques, puis utilise RNConv, une architecture d’apprentissage par graphes intégrant une structure arborescente, pour prédire cette cible. La méthode est notamment motivée par la nature tabulaire de nombreuses caractéristiques et par les performances rapportées des méthodes fondées sur des arbres sur ce type de données.

Dans la seconde étape, les prédictions sont projetées en positions longues synthétiques appelées SLSA. Selon l’hypothèse d’absence d’arbitrage de l’article, ces positions présentent un risque minimal et sont neutres aux facteurs de risque de Black–Scholes. Des expériences sur les options d’indice KOSPI 200 KOSPI 200 indiquent que RNConv surpasse les méthodes de référence d’apprentissage par graphes et que SLSA génère des rendements positifs, avec un ratio d’information moyen P&L-contrat annoncé de 0.1627. Ces résultats sont propres au jeu de données et aux hypothèses rapportés ; le résumé n’établit pas les performances sur d’autres marchés d’options ou dans des conditions et avec des coûts de trading différents.

Idées clés

La méthode prédit une cible axée sur l’arbitrage, définie à l’aide d’obligations synthétiques.
RNConv associe l’apprentissage par graphes à une structure arborescente pour traiter la tâche de prédiction.
La projection SLSA convertit les prédictions du modèle en positions longues synthétiques sur options.
Sous l’hypothèse d’absence d’arbitrage, SLSA présente un risque minimal et est neutre aux facteurs de risque de Black–Scholes.
Des tests sur les options KOSPI 200 font état de performances supérieures aux références et de rendements positifs de SLSA, sans démontrer une généralisation plus large.

Étiquettes

Options Arbitrage Apprentissage automatique Évaluation des dérivés

Texte intégral

# Statistical Arbitrage in Options Markets by Graph Learning and Synthetic Long Positions

Statistical arbitrages (StatArbs) driven by machine learning has garnered considerable attention in both academia and industry. Nevertheless, deep-learning (DL) approaches to directly exploit StatArbs in options markets remain largely unexplored. Moreover, prior graph learning (GL) -- a methodological basis of this paper -- studies overlooked that features are tabular in many cases and that tree-based methods outperform DL on numerous tabular datasets. To bridge these gaps, we propose a two-stage GL approach for direct identification and exploitation of StatArbs in options markets. In the first stage, we define a novel prediction target isolating pure arbitrages via synthetic bonds. To predict the target, we develop RNConv, a GL architecture incorporating a tree structure. In the second stage, we propose SLSA -- a class of positions comprising pure arbitrage opportunities. It is provably of minimal risk and neutral to all Black-Scholes risk factors under the arbitrage-free assumption. We also present the SLSA projection converting predictions into SLSA positions. Our experiments on KOSPI 200 index options show that RNConv statistically significantly outperforms GL baselines, and that SLSA consistently yields positive returns, achieving an average P&L-contract information ratio of 0.1627. Our approach offers a novel perspective on the prediction target and strategy for exploiting StatArbs in options markets through the lens of DL, in conjunction with a pioneering tree-based GL.

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.