Apprentissage par graphes pour la prévision FX et l’arbitrage statistique tenant compte de l’exécution

Résumé

L’approche proposée combine la prévision des taux de change et l’arbitrage statistique, en tenant compte du délai entre l’observation des prix et l’exécution des transactions. La première étape modélise la prévision des taux de change par une régression au niveau des arêtes sur un graphe spatio-temporel à temps discret : les devises sont les nœuds, les taux de change sont des caractéristiques des arêtes et les taux d’intérêt contribuent aux caractéristiques des nœuds. Cette structure vise à représenter les relations entre les devises et les taux.

La deuxième étape formule l’arbitrage comme un problème d’optimisation stochastique. Un graphe des échanges et de leurs relations d’influence étaye les décisions de portefeuille ajustées au risque, tandis que la projection et ReLU imposent des contraintes à partir des sorties du modèle de prévision. Les auteurs rapportent des améliorations statistiquement significatives de l’erreur quadratique moyenne pour la prévision et des ratios d’information et de Sortino supérieurs à ceux d’une référence pour l’arbitrage, ainsi qu’une preuve de contraintes d’arbitrage empiriques. La description fournie ne précise ni les données, ni la construction de la référence, ni la période d’évaluation ; ce texte seul ne permet donc pas d’évaluer l’applicabilité des gains rapportés à d’autres marchés.

Idées clés

• La prévision FX est modélisée par une régression au niveau des arêtes sur un graphe spatio-temporel de devises et de places d’échange.
• Les taux d’intérêt et les taux de change entrent dans le graphe comme caractéristiques des nœuds et des arêtes, respectivement.
• L’étape d’arbitrage tient explicitement compte du délai entre l’observation des prix et l’exécution des transactions.
• La projection et ReLU servent à imposer des contraintes dans un cadre d’optimisation stochastique.
• Les auteurs rapportent des améliorations de l’erreur de prévision et des mesures ajustées au risque supérieures à celles d’une référence.

Étiquettes

# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage


# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage









We propose a two-step graph learning approach for foreign exchange statistical arbitrages (FXSAs), addressing two key gaps in prior studies: the absence of graph-learning methods for foreign exchange rate prediction (FXRP) that leverage multi-currency and currency-interest rate relationships, and the disregard of the time lag between price observation and trade execution. In the first step, to capture complex multi-currency and currency-interest rate relationships, we formulate FXRP as an edge-level regression problem on a discrete-time spatiotemporal graph. This graph consists of currencies as nodes and exchanges as edges, with interest rates and foreign exchange rates serving as node and edge features, respectively. We then introduce a graph-learning method that leverages the spatiotemporal graph to address the FXRP problem. In the second step, we present a stochastic optimization problem to exploit FXSAs while accounting for the observation-execution time lag. To address this problem, we propose a graph-learning method that enforces constraints through projection and ReLU, maximizes risk-adjusted return by leveraging a graph with exchanges as nodes and influence relationships as edges, and utilizes the predictions from the FXRP method for the constraint parameters and node features. Moreover, we prove that our FXSA method satisfies empirical arbitrage constraints. The experimental results demonstrate that our FXRP method yields statistically significant improvements in mean squared error, and that the FXSA method achieves a 61.89% higher information ratio and a 45.51% higher Sortino ratio than a benchmark. Our approach provides a novel perspective on FXRP and FXSA within the context of graph learning.

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.