ריבועים פחותים גמישים לארביטראז' סטטיסטי דינמי
סיכום
מאמר זה בוחן כיצד למדל קשרים משתנים בין זרמי נתונים מרובים המתפתחים לאורך זמן. הוא מתמקד בריבועים פחותים גמישים (FLS), המשנים את שיטת הריבועים הפחותים הרגילה באמצעות קנס המאפשר למקדמי הרגרסיה להשתנות, בלי לדרוש מודל הסתברותי מגביל לתלויות האלה. ארביטראז' סטטיסטי הוא היישום הפיננסי המניע את המחקר.
המחברים מראים שקילות אלגברית בין FLS למשוואות מסנן קלמן, ומשתמשים בקשר הזה כדי להבהיר את השיטה ולהציע אלגוריתם יעיל יותר. הם מדווחים על ניסויים מבטיחים במערכת מסחר אלגוריתמי שהופעלה על מדד החוזים העתידיים של S&P 500. התיאור שסופק אינו מפרט את כללי המסחר, תקופת ההערכה, העלויות, מדד ההשוואה או הביצועים המספריים, ולכן הוא מספק ראיות מוגבלות לרווחיות מעשית. התרומה העיקרית, כפי שהיא מתוארת, היא גישת האמידה הדינמית והקשר החישובי שלה לשיטות סינון.
רעיונות מרכזיים
- FLS אומדת קשרים בין זרמי נתונים מתפתחים ומאפשרת למקדמי הרגרסיה להשתנות לאורך זמן.
- ניסוח הריבועים הפחותים עם קנס נמנע מהנחת חוק הסתברותי מגביל לגבי התלויות המשתנות.
- המאמר מוכיח שקילות אלגברית בין FLS למשוואות מסנן קלמן.
- השקילות משמשת להסברת השיטה ולהנמקת הצעה לאלגוריתם יעיל יותר.
- ניסויים במערכת מסחר על מדד חוזים עתידיים S&P 500 מתוארים כמבטיחים, אך אין ראיות מפורטות לביצועים.
תגיות
הטקסט המלא
# Flexible least squares for temporal data mining and statistical arbitrage # Flexible least squares for temporal data mining and statistical arbitrage A number of recent emerging applications call for studying data streams, potentially infinite flows of information updated in real-time. When multiple co-evolving data streams are observed, an important task is to determine how these streams depend on each other, accounting for dynamic dependence patterns without imposing any restrictive probabilistic law governing this dependence. In this paper we argue that flexible least squares (FLS), a penalized version of ordinary least squares that accommodates for time-varying regression coefficients, can be deployed successfully in this context. Our motivating application is statistical arbitrage, an investment strategy that exploits patterns detected in financial data streams. We demonstrate that FLS is algebraically equivalent to the well-known Kalman filter equations, and take advantage of this equivalence to gain a better understanding of FLS and suggest a more efficient algorithm. Promising experimental results obtained from a FLS-based algorithmic trading system for the S&P 500 Futures Index are reported.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.