युग्मित शेयरों में सांख्यिकीय आर्बिट्राज के लिए सुदृढीकरण अधिगम
सारांश
यह अध्ययन युग्मित शेयरों के बीच सांख्यिकीय आर्बिट्राज के लिए मॉडल-मुक्त सुदृढीकरण-अधिगम रूपरेखा प्रस्तुत करता है। पहले यह ऐसे परिसंपत्ति गुणांक चुनकर माध्य-प्रत्यावर्ती स्प्रेड बनाता है जो स्प्रेड को लौटने में लगने वाले समय के अनुभवजन्य माप को न्यूनतम करते हैं। इससे एक निश्चित मॉडल मान्यता पर निर्भर रहने के बजाय देखे गए प्रत्यावर्तन-समय के मानदंड का उपयोग होता है।
ट्रेडिंग के लिए यह रूपरेखा माध्य-प्रत्यावर्तन रणनीति चुनने में सुदृढीकरण अधिगम का उपयोग करती है। इसकी अवस्था में हाल की कीमत चालों के रुझान शामिल हैं; यह केवल दीर्घकालिक औसत से स्प्रेड की दूरी पर निर्भर नहीं करती। इसका पुरस्कार माध्य-प्रत्यावर्तन ट्रेडिंग की विशेषताओं के अनुरूप बनाया गया है। उपलब्ध विवरण रूपरेखा की संरचना बताता है, लेकिन अनुभवजन्य प्रदर्शन परिणाम, प्रशिक्षण विवरण या अन्य रणनीतियों से तुलना नहीं देता। इसलिए यह एक दृष्टिकोण समझाता है, जबकि इसकी व्यावहारिक प्रभावशीलता और मज़बूती यहाँ स्थापित नहीं होती।
मुख्य विचार
- रूपरेखा प्रत्यावर्तन-समय के अनुभवजन्य माप को न्यूनतम करके युग्मित शेयरों के स्प्रेड बनाती है।
- स्प्रेड निर्माण के हिस्से के रूप में परिसंपत्ति गुणांकों का अनुकूलन किया जाता है।
- स्प्रेड के लिए ट्रेडिंग कार्रवाइयाँ चुनने में सुदृढीकरण अधिगम का उपयोग होता है।
- अवस्था निरूपण में माध्य-प्रत्यावर्तन संदर्भ के साथ हाल के कीमत रुझान भी शामिल हैं।
- विवरण में प्रदर्शन प्रमाण या कार्यान्वयन संबंधी जानकारी नहीं दी गई है।
टैग
पूरा पाठ
# Advanced Statistical Arbitrage with Reinforcement Learning # Advanced Statistical Arbitrage with Reinforcement Learning Statistical arbitrage is a prevalent trading strategy which takes advantage of mean reverse property of spread of paired stocks. Studies on this strategy often rely heavily on model assumption. In this study, we introduce an innovative model-free and reinforcement learning based framework for statistical arbitrage. For the construction of mean reversion spreads, we establish an empirical reversion time metric and optimize asset coefficients by minimizing this empirical mean reversion time. In the trading phase, we employ a reinforcement learning framework to identify the optimal mean reversion strategy. Diverging from traditional mean reversion strategies that primarily focus on price deviations from a long-term mean, our methodology creatively constructs the state space to encapsulate the recent trends in price movements. Additionally, the reward function is carefully tailored to reflect the unique characteristics of mean reversion trading.
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।