Négociation optimale avec apprentissage dans des modèles alpha latents

Résumé

Cet article étudie le trading optimal lorsqu’un signal d’arbitrage statistique provient de facteurs cachés qui provoquent des sauts et une diffusion des prix. Les ordres du trader peuvent également influer sur les prix affichés et les prix d’exécution ; le problème intègre donc à la fois l’incertitude sur l’état du marché et l’impact des propres ordres du trader sur les prix. La méthode proposée suit la distribution a posteriori des états latents et l’utilise pour résoudre explicitement le problème de trading. Un théorème de vérification étaye la solution, tandis qu’une variante de l’algorithme d’espérance-maximisation permet de calibrer le modèle.

Des simulations comparent la stratégie qui tient compte de l’apprentissage à des stratégies qui ignorent l’apprentissage des états latents, et l’article présente des résultats de calibration obtenus avec l’action Intel. Ces exemples illustrent l’approche, mais la description fournie ne donne pas de résultats de performance chiffrés ni de détails sur les hypothèses du modèle. Les résultats établissent donc un cadre de modélisation et de résolution, sans montrer ses performances sur différents marchés ni en trading réel.

Idées clés

• Des facteurs latents peuvent provoquer à la fois des sauts et une diffusion des prix utilisés pour l’arbitrage statistique.
• Les ordres d’un trader peuvent influer sur les prix affichés et sur les prix obtenus lors de l’exécution.
• La stratégie apprend une distribution a posteriori des états cachés et s’en sert pour choisir les transactions.
• Un théorème de vérification et une variante de l’algorithme d’espérance-maximisation étayent la résolution et la calibration.
• Des simulations comparent l’approche à des stratégies qui omettent l’apprentissage des états latents.

Étiquettes

# Trading algorithms with learning in latent alpha models


# Trading algorithms with learning in latent alpha models









Alpha signals for statistical arbitrage strategies are often driven by latent factors. This paper analyses how to optimally trade with latent factors that cause prices to jump and diffuse. Moreover, we account for the effect of the trader's actions on quoted prices and the prices they receive from trading. Under fairly general assumptions, we demonstrate how the trader can learn the posterior distribution over the latent states, and explicitly solve the latent optimal trading problem. We provide a verification theorem, and a methodology for calibrating the model by deriving a variation of the expectation-maximization algorithm. To illustrate the efficacy of the optimal strategy, we demonstrate its performance through simulations and compare it to strategies which ignore learning in the latent factors. We also provide calibration results for a particular model using Intel Corporation stock as an example.

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.