Filtre de Kalman neuronal et bandes de Bollinger pour le trading par paires

Résumé

Le document présente KBPT, une politique de trading par paires qui combine un filtre de Kalman, des signaux fondés sur les bandes de Bollinger et un réseau neuronal inspiré de l’architecture KalmanNet. Les versions traditionnelles modélisent la relation entre deux actifs comme un processus linéaire à espace d’état avec un bruit gaussien. Comme ce modèle ne peut qu’approcher le comportement de la paire, les indicateurs et les transactions qui en résultent peuvent manquer de fiabilité. KBPT utilise plutôt un modèle à espace d’état étendu, qui autorise une cointégration partielle et apprend à améliorer le suivi.

L’entraînement se déroule en deux étapes : l’algorithme de suivi est d’abord ajusté sans objectif de trading, puis adapté au suivi d’indicateurs de façon à chercher à maximiser les revenus, tout en approchant les décisions des bandes de Bollinger à l’aide d’une transformation différentiable. Les auteurs rapportent des revenus supérieurs à ceux des références fondées sur des modèles et des données, pour différents actifs. La description ne précise ni la liste des actifs, ni la période d’évaluation, ni les hypothèses de coûts de transaction, ni les résultats quantitatifs, ce qui limite l’évaluation de la robustesse et de la pertinence pour le trading en réel.

Idées clés

• La méthode complète le trading par paires fondé sur le filtre de Kalman et les bandes de Bollinger par un réseau neuronal utilisant KalmanNet.
• Son modèle à espace d’état étendu représente la relation entre les actifs comme partiellement cointégrée.
• L’entraînement ajuste d’abord le suivi indépendamment, puis l’adapte aux indicateurs et aux objectifs de revenus.
• Une transformation différentiable approche les décisions de trading fondées sur les bandes de Bollinger.
• Les auteurs rapportent des revenus supérieurs à ceux des références fondées sur des modèles et des données pour plusieurs actifs.

Étiquettes

# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading


# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading









Pairs trading is a family of trading techniques that determine their policies based on monitoring the relationships between pairs of assets. A common pairs trading approach relies on describing the pair-wise relationship as a linear Space State (SS) model with Gaussian noise. This representation facilitates extracting financial indicators with low complexity and latency using a Kalman Filter (KF), that are then processed using classic policies such as Bollinger Bands (BB). However, such SS models are inherently approximated and mismatched, often degrading the revenue. In this work, we propose KalmenNet-aided Bollinger bands Pairs Trading (KBPT), a deep learning aided policy that augments the operation of KF-aided BB trading. KBPT is designed by formulating an extended SS model for pairs trading that approximates their relationship as holding partial co-integration. This SS model is utilized by a trading policy that augments KF-BB trading with a dedicated neural network based on the KalmanNet architecture. The resulting KBPT is trained in a two-stage manner which first tunes the tracking algorithm in an unsupervised manner independently of the trading task, followed by its adaptation to track the financial indicators to maximize revenue while approximating BB with a differentiable mapping. KBPT thus leverages data to overcome the approximated nature of the SS model, converting the KF-BB policy into a trainable model. We empirically demonstrate that our proposed KBPT systematically yields improved revenue compared with model-based and data-driven benchmarks over various different assets.

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.