Apprentissage par renforcement pour l’arbitrage statistique sur des paires d’actions

Résumé

Cette étude présente un cadre d’apprentissage par renforcement sans modèle pour l’arbitrage statistique entre paires d’actions. Elle construit d’abord un écart à retour à la moyenne en choisissant les coefficients des actifs qui minimisent une mesure empirique du temps nécessaire à cet écart pour revenir à la moyenne. Ce critère observé de durée de retour remplace le recours à une hypothèse de modèle fixe.

Pour le trading, le cadre utilise l’apprentissage par renforcement afin de choisir une stratégie de retour à la moyenne. Son état comprend les tendances récentes des mouvements de prix, au lieu de reposer uniquement sur la distance entre l’écart et sa moyenne à long terme ; sa récompense est adaptée aux caractéristiques du trading de retour à la moyenne. La description fournie expose la conception, mais ne donne aucun résultat de performance empirique, détail d’apprentissage ou comparaison avec d’autres stratégies. Elle présente donc une approche, sans établir ici son efficacité pratique ni sa robustesse.

Idées clés

• Le cadre construit des écarts entre paires d’actions en minimisant une mesure empirique du temps de retour à la moyenne.
• Les coefficients des actifs sont optimisés lors de la construction de l’écart.
• L’apprentissage par renforcement sert à choisir les actions de trading pour l’écart.
• La représentation de l’état intègre les tendances récentes des prix ainsi que le contexte de retour à la moyenne.
• La description ne rapporte ni preuve de performance ni détails de mise en œuvre.

Étiquettes

# Advanced Statistical Arbitrage with Reinforcement Learning


# Advanced Statistical Arbitrage with Reinforcement Learning









Statistical arbitrage is a prevalent trading strategy which takes advantage of mean reverse property of spread of paired stocks. Studies on this strategy often rely heavily on model assumption. In this study, we introduce an innovative model-free and reinforcement learning based framework for statistical arbitrage. For the construction of mean reversion spreads, we establish an empirical reversion time metric and optimize asset coefficients by minimizing this empirical mean reversion time. In the trading phase, we employ a reinforcement learning framework to identify the optimal mean reversion strategy. Diverging from traditional mean reversion strategies that primarily focus on price deviations from a long-term mean, our methodology creatively constructs the state space to encapsulate the recent trends in price movements. Additionally, the reward function is carefully tailored to reflect the unique characteristics of mean reversion trading.

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.