गतिशील सांख्यिकीय आर्बिट्राज के लिए लचीला न्यूनतम वर्ग
सारांश
यह शोधपत्र समय के साथ बदलते कई डेटा प्रवाहों के बीच संबंधों का मॉडल बनाने पर विचार करता है। इसका ध्यान लचीले न्यूनतम वर्ग (FLS) पर है, जो प्रतिगमन गुणांकों को बदलने की अनुमति देने वाला दंड जोड़कर साधारण न्यूनतम वर्ग को संशोधित करता है, और इन निर्भरताओं के लिए प्रतिबंधात्मक प्रायिकता मॉडल की आवश्यकता नहीं रखता। सांख्यिकीय आर्बिट्राज इसका प्रेरक वित्तीय अनुप्रयोग है।
लेखक FLS और कालमन फ़िल्टर समीकरणों के बीच बीजगणितीय समतुल्यता दिखाते हैं। वे इस संबंध से विधि स्पष्ट करते हैं और अधिक कुशल एल्गोरिदम प्रस्तावित करते हैं। वे S&P 500 फ़्यूचर्स इंडेक्स पर लागू एल्गोरिदमिक ट्रेडिंग प्रणाली के आशाजनक प्रयोग बताते हैं। दिए गए विवरण में ट्रेडिंग नियम, मूल्यांकन अवधि, लागत, बेंचमार्क या संख्यात्मक प्रदर्शन नहीं बताया गया है, इसलिए व्यावहारिक लाभप्रदता का साक्ष्य सीमित है। वर्णन के अनुसार इसका मुख्य योगदान गतिशील अनुमान विधि और फ़िल्टरिंग तरीकों से इसका संगणकीय संबंध है।
मुख्य विचार
- FLS बदलते डेटा प्रवाहों के बीच संबंधों का अनुमान लगाता है और समय के साथ प्रतिगमन गुणांकों को बदलने देता है।
- इसका दंडित न्यूनतम-वर्ग सूत्रीकरण बदलती निर्भरताओं पर प्रतिबंधात्मक प्रायिकता नियम थोपने से बचता है।
- शोधपत्र FLS और कालमन फ़िल्टर समीकरणों के बीच बीजगणितीय समतुल्यता स्थापित करता है।
- इस समतुल्यता का उपयोग विधि समझाने और अधिक कुशल एल्गोरिदम का आधार देने के लिए किया गया है।
- S&P 500 फ़्यूचर्स इंडेक्स ट्रेडिंग प्रणाली के प्रयोग आशाजनक बताए गए हैं, लेकिन विस्तृत प्रदर्शन साक्ष्य अनुपस्थित है।
टैग
पूरा पाठ
# 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.
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।