छिपे हुए अल्फ़ा मॉडल में सीखने के साथ इष्टतम ट्रेडिंग
सारांश
यह पेपर इष्टतम ट्रेडिंग का अध्ययन करता है, जहाँ सांख्यिकीय आर्बिट्राज संकेत छिपे हुए कारकों से आता है जो कीमतों में उछाल और प्रसरण पैदा करते हैं। ट्रेडर के ऑर्डर उद्धृत कीमतों और निष्पादन कीमतों को भी प्रभावित कर सकते हैं, इसलिए समस्या में बाज़ार की अनिश्चित स्थितियाँ और ट्रेडर का अपना मूल्य प्रभाव, दोनों शामिल हैं। प्रस्तावित विधि छिपी अवस्थाओं के पश्च-संभाव्यता वितरण पर नज़र रखती है और उसका उपयोग ट्रेडिंग समस्या को स्पष्ट रूप से हल करने में करती है। सत्यापन प्रमेय इस समाधान का समर्थन करता है, जबकि अपेक्षा-अधिकतमकरण का एक रूपांतर मॉडल के अंशांकन का तरीका देता है।
सिमुलेशन में सीखने को ध्यान में रखने वाली रणनीति की तुलना उन रणनीतियों से की गई है जो छिपी अवस्था के सीखने को नज़रअंदाज़ करती हैं; पेपर Intel शेयर का उपयोग करके अंशांकन परिणाम भी बताता है। ये उदाहरण दृष्टिकोण को समझाते हैं, लेकिन दिए गए विवरण में संख्यात्मक प्रदर्शन परिणाम या मॉडल की मान्यताओं का ब्यौरा नहीं है। इसलिए निष्कर्ष मॉडलिंग और समाधान का ढाँचा प्रस्तुत करते हैं, यह नहीं दिखाते कि यह अलग-अलग बाज़ारों में या लाइव ट्रेडिंग की स्थितियों में कैसा प्रदर्शन करता है।
मुख्य विचार
- छिपे हुए कारक सांख्यिकीय आर्बिट्राज में उपयोग की जाने वाली कीमतों में उछाल और प्रसरण, दोनों को चला सकते हैं।
- ट्रेडर के ऑर्डर उद्धृत कीमतों और निष्पादन के दौरान मिली कीमतों को प्रभावित कर सकते हैं।
- रणनीति छिपी अवस्थाओं का पश्च-संभाव्यता वितरण सीखती है और ट्रेड चुनने में उसका उपयोग करती है।
- सत्यापन प्रमेय और अपेक्षा-अधिकतमकरण का एक रूपांतर समाधान तथा अंशांकन का समर्थन करते हैं।
- सिमुलेशन इस दृष्टिकोण की तुलना उन रणनीतियों से करते हैं जो छिपी अवस्था के सीखने को छोड़ देती हैं।
टैग
पूरा पाठ
# Trading algorithms with learning in latent alpha models # Trading algorithms with learning in latent alpha models Alpha signals for statistical arbitrage strategies are often driven by latent factors. This paper analyses how to optimally trade with latent factors that cause prices to jump and diffuse. Moreover, we account for the effect of the trader's actions on quoted prices and the prices they receive from trading. Under fairly general assumptions, we demonstrate how the trader can learn the posterior distribution over the latent states, and explicitly solve the latent optimal trading problem. We provide a verification theorem, and a methodology for calibrating the model by deriving a variation of the expectation-maximization algorithm. To illustrate the efficacy of the optimal strategy, we demonstrate its performance through simulations and compare it to strategies which ignore learning in the latent factors. We also provide calibration results for a particular model using Intel Corporation stock as an example.
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।