स्थिरता की मान्यताओं के बिना सांख्यिकीय आर्बिट्राज के लिए ऑनलाइन लर्निंग

सारांश

यह दस्तावेज़ सांख्यिकीय आर्बिट्राज के लिए ऑनलाइन लर्निंग तरीका प्रस्तुत करता है। यह औसत-वापसी मॉडलों पर आधारित परिचित रणनीतियों से इसकी तुलना करता है, जिनकी तकनीकें ऐसी मान्यताओं पर निर्भर करती हैं जो सामान्य गैर-स्थिर स्टोकेस्टिक प्रक्रियाओं के लिए विफल हो सकती हैं। प्रस्तावित विकल्प का उद्देश्य उन मान्यताओं की आवश्यकता के बिना काम करना है।

दस्तावेज़ कहता है कि इस विधि के लर्निंग आश्वासन मज़बूत हैं, जो डेटा आते रहने के साथ अनुकूलन के लिए सैद्धांतिक आधार का संकेत देते हैं। हालाँकि, विवरण में एल्गोरिदम, सटीक आश्वासन, ट्रेडिंग नियम या पोर्टफोलियो तथा लेनदेन लागतों के हिसाब का तरीका निर्दिष्ट नहीं है। इसमें अनुभवजन्य परिणाम या तुलनाएँ भी नहीं हैं। इसलिए योगदान को एक सामान्य कार्यप्रणालीगत विकल्प के रूप में प्रस्तुत किया गया है; उपलब्ध जानकारी लाइव बाज़ारों में इसकी व्यावहारिक लाभप्रदता या मज़बूती का आकलन करने के लिए पर्याप्त नहीं है।

मुख्य विचार

• पारंपरिक सांख्यिकीय आर्बिट्राज अक्सर औसत-वापसी मॉडल और उनसे जुड़ी मान्यताओं पर निर्भर करता है।
• सामान्य गैर-स्थिर स्टोकेस्टिक प्रक्रियाओं में वे मान्यताएँ लागू नहीं हो सकतीं।
• प्रस्तावित विकल्प ऑनलाइन लर्निंग उपयोग करता है और उन मान्यताओं की आवश्यकता नहीं रखता।
• दस्तावेज़ मज़बूत लर्निंग आश्वासनों का दावा करता है, लेकिन विवरण या अनुभवजन्य मूल्यांकन नहीं देता।

टैग

# Online Learning Algorithms for Statistical Arbitrage


# Online Learning Algorithms for Statistical Arbitrage









Statistical arbitrage is a class of financial trading strategies using mean reversion models. The corresponding techniques rely on a number of assumptions which may not hold for general non-stationary stochastic processes. This paper presents an alternative technique for statistical arbitrage based on online learning which does not require such assumptions and which benefits from strong learning guarantees.

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।