स्टैटिस्टिकल आर्बिट्राज के लिए एंड-टू-एंड ऑटोएन्कोडर नीति सीखना

सारांश

यह अध्ययन US शेयरों में स्टैटिस्टिकल आर्बिट्राज के लिए ऑटोएन्कोडर की पड़ताल करता है। पारंपरिक दो-चरणीय कार्यप्रवाह में मूल्य निर्धारण या प्रिंसिपल-कंपोनेंट मॉडल एक सिंथेटिक परिसंपत्ति पहचानता है और अलग माध्य-प्रत्यावर्तन रणनीति ट्रेडिंग संकेत देती है। लेखक पहले शेयर रिटर्न पर मानक ऑटोएन्कोडर प्रशिक्षित करते हैं और Ornstein-Uhlenbeck प्रक्रिया पर आधारित रणनीतियाँ बनाते हैं। फिर वे ऑटोएन्कोडर को पोर्टफ़ोलियो नीतियों के न्यूरल निरूपण में शामिल करते हैं, जो सीधे आवंटन देता है।

संयुक्त मॉडल को जोखिम-समायोजित रिटर्न का बैकप्रोपेगेशन करके शुरू से अंत तक प्रशिक्षित किया जाता है, जिससे निरूपण सीखना पोर्टफ़ोलियो निर्णयों से जुड़ता है। बताए गए निष्कर्षों के अनुसार यह तरीका रणनीति विकास को सरल बनाता है और तुलना किए गए विकल्पों से अधिक सकल रिटर्न देता है। सार में मूल्यांकन अवधि, जोखिम-समायोजित या लागत-पश्चात परिणाम, तुलना का विवरण या अध्ययन की स्थिति से बाहर प्रदर्शन के साक्ष्य नहीं दिए गए हैं। इसलिए बताया गया लाभ एक अनुसंधान निष्कर्ष है, लाइव लाभप्रदता की गारंटी नहीं।

मुख्य विचार

• शोध-पत्र US शेयर रिटर्न पर प्रशिक्षित ऑटोएन्कोडर को स्टैटिस्टिकल आर्बिट्राज में लागू करता है।
• बेसलाइन तरीका सिंथेटिक परिसंपत्ति पहचानने के लिए ऑटोएन्कोडर और Ornstein-Uhlenbeck माध्य-प्रत्यावर्तन रणनीति उपयोग करता है।
• एंड-टू-एंड संरचना ऑटोएन्कोडर को ऐसे नेटवर्क में शामिल करती है जो सीधे पोर्टफ़ोलियो आवंटन देता है।
• प्रशिक्षण में जोखिम-समायोजित पोर्टफ़ोलियो रिटर्न का बैकप्रोपेगेशन उपयोग होता है।
• लेखक प्रतिस्पर्धी तरीकों से अधिक सकल रिटर्न बताते हैं, जबकि सार शुद्ध या लाइव प्रदर्शन स्थापित नहीं करता।

टैग

# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture


# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture









In Statistical Arbitrage (StatArb), classical mean reversion trading strategies typically hinge on asset-pricing or PCA based models to identify the mean of a synthetic asset. Once such a (linear) model is identified, a separate mean reversion strategy is then devised to generate a trading signal. With a view of generalising such an approach and turning it truly data-driven, we study the utility of Autoencoder architectures in StatArb. As a first approach, we employ a standard Autoencoder trained on US stock returns to derive trading strategies based on the Ornstein-Uhlenbeck (OU) process. To further enhance this model, we take a policy-learning approach and embed the Autoencoder network into a neural network representation of a space of portfolio trading policies. This integration outputs portfolio allocations directly and is end-to-end trainable by backpropagation of the risk-adjusted returns of the neural policy. Our findings demonstrate that this innovative end-to-end policy learning approach not only simplifies the strategy development process, but also yields superior gross returns over its competitors illustrating the potential of end-to-end training over classical two-stage approaches.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।