コンテンツへスキップ
ライブラリの全資料

統計的アービトラージのエンドツーエンド自己符号化器学習

記事 arXiv papers · 著者: Fabian Krause et al.
原文を読む

サマリー

この研究は、US株式の統計的アービトラージに自己符号化器を活用しています。従来の2段階の手順では、価格モデルまたは主成分モデルが合成資産を特定し、別の平均回帰戦略が売買シグナルを生成します。著者らはまず、株式リターンで標準的な自己符号化器を学習させ、Ornstein-Uhlenbeck過程を用いた戦略を構築します。次に、ポートフォリオ方策をニューラル表現するモデルに自己符号化器を組み込み、配分を直接出力します。

統合モデルは、リスク調整後リターンを逆伝播してエンドツーエンドで学習され、表現学習とポートフォリオ判断を結びつけます。報告された知見によると、この手法は戦略開発を簡素化し、比較対象より高いグロスリターンを達成します。要旨には評価期間、リスク調整後またはコスト控除後の結果、比較の詳細、研究対象の設定外での成績が示されていません。したがって、報告された優位性は研究上の知見であり、実運用での収益性を保証するものではありません。

主なアイデア

  • US株式リターンで学習した自己符号化器を、統計的アービトラージに適用しています。
  • ベースライン手法では自己符号化器が合成資産を特定し、Ornstein-Uhlenbeck平均回帰戦略を用います。
  • エンドツーエンドの構成では、ポートフォリオ配分を直接出力するネットワークに自己符号化器を組み込みます。
  • 学習ではリスク調整後のポートフォリオリターンを逆伝播します。
  • 著者らは競合手法より高いグロスリターンを報告していますが、要旨はコスト控除後や実運用での成績を示していません。

タグ

株式機械学習平均回帰ポートフォリオ構築
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。