Estimation en ligne par espace d’état des écarts à retour vers la moyenne pour l’arbitrage statistique

Résumé

Cet article développe une approche espace-état pour modéliser les écarts à retour vers la moyenne utilisés en arbitrage statistique, notamment le trading par paires. Les écarts observés sont traités comme des mesures bruitées d’états cachés ; leurs estimations en temps réel servent à repérer des inefficiences temporaires du marché. Le cadre étend les modèles espace-état linéaires gaussiens antérieurs en autorisant les paramètres à évoluer dans le temps, ce qui aide les estimations à s’adapter aux changements du processus générateur des données.

Les auteurs présentent également un algorithme d’estimation en ligne conçu pour fonctionner en continu, y compris avec des données haute fréquence, et produire des mesures d’incertitude des paramètres estimés. Ils évoquent des expériences par simulations de Monte-Carlo et des données historiques sur actions, dont une relation de cointégration entre deux fonds cotés en bourse. Le document ne donne ni chiffres de performance ni analyse des coûts de trading ; il n’établit donc pas que les inefficiences détectées se traduisent par des rendements excédentaires exécutables. Les éléments sont décrits à un niveau général, sans détails suffisants pour évaluer la robustesse.

Idées clés

• Le cadre modélise les écarts observés comme des réalisations bruitées d’états cachés dans un processus espace-état linéaire gaussien.
• La variation des paramètres du modèle dans le temps permet de s’adapter à l’évolution des données.
• Un algorithme en ligne estime en temps réel l’écart latent et les paramètres.
• Les mesures d’incertitude des paramètres peuvent éclairer le suivi du retour à la moyenne.
• Des exemples par simulation de Monte-Carlo et sur données historiques d’actions sont décrits, notamment une relation de cointégration entre deux FNB.

Étiquettes

# Dynamic modeling of mean-reverting spreads for statistical arbitrage


# Dynamic modeling of mean-reverting spreads for statistical arbitrage









Statistical arbitrage strategies, such as pairs trading and its generalizations, rely on the construction of mean-reverting spreads enjoying a certain degree of predictability. Gaussian linear state-space processes have recently been proposed as a model for such spreads under the assumption that the observed process is a noisy realization of some hidden states. Real-time estimation of the unobserved spread process can reveal temporary market inefficiencies which can then be exploited to generate excess returns. Building on previous work, we embrace the state-space framework for modeling spread processes and extend this methodology along three different directions. First, we introduce time-dependency in the model parameters, which allows for quick adaptation to changes in the data generating process. Second, we provide an on-line estimation algorithm that can be constantly run in real-time. Being computationally fast, the algorithm is particularly suitable for building aggressive trading strategies based on high-frequency data and may be used as a monitoring device for mean-reversion. Finally, our framework naturally provides informative uncertainty measures of all the estimated parameters. Experimental results based on Monte Carlo simulations and historical equity data are discussed, including a co-integration relationship involving two exchange-traded funds.

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.