コンテンツへスキップ
ライブラリの全資料

グラフ学習によるFX予測と執行を考慮した統計的裁定

記事 arXiv papers · 著者: Yoonsik Hong et al.
原文を読む

サマリー

提案手法は、価格の観測から取引執行までの遅延を考慮しながら、外国為替レート予測と統計的裁定を組み合わせます。第1段階では、離散時間の時空間グラフ上のエッジ単位の回帰として為替レート予測をモデル化します。通貨をノード、為替レートをエッジ特徴量とし、金利をノード特徴量に用います。この構造は通貨間および金利間の関係を表すことを意図しています。

第2段階では、裁定を確率最適化問題として定式化します。取引所とその影響関係を表すグラフを使ってリスク調整後のポートフォリオ判断を行い、予測モデルの出力を用いた射影とReLUによって制約を適用します。著者らは、予測の平均二乗誤差が統計的に有意に改善し、裁定ではベンチマークより高いインフォメーションレシオとソルティノレシオが得られたと報告し、実証的な裁定制約の証明も示しています。提示された説明にはデータ、ベンチマークの構築方法、評価期間が記載されていないため、ここにある情報だけでは、報告された改善がより広い市場にも当てはまるか評価できません。

主なアイデア

  • FX予測を、通貨と取引所の時空間グラフ上のエッジ単位の回帰としてモデル化します。
  • 金利と為替レートを、それぞれノード特徴量とエッジ特徴量としてグラフに組み込みます。
  • 裁定の段階では、価格観測から取引執行までの時間差を明示的に考慮します。
  • 確率最適化の枠組みで、制約を適用するために射影とReLUを用います。
  • 著者らは、予測誤差の改善とベンチマークを上回るリスク調整後指標を報告しています。

タグ

外国為替裁定取引機械学習統計注文執行
全文
# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage


# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage









We propose a two-step graph learning approach for foreign exchange statistical arbitrages (FXSAs), addressing two key gaps in prior studies: the absence of graph-learning methods for foreign exchange rate prediction (FXRP) that leverage multi-currency and currency-interest rate relationships, and the disregard of the time lag between price observation and trade execution. In the first step, to capture complex multi-currency and currency-interest rate relationships, we formulate FXRP as an edge-level regression problem on a discrete-time spatiotemporal graph. This graph consists of currencies as nodes and exchanges as edges, with interest rates and foreign exchange rates serving as node and edge features, respectively. We then introduce a graph-learning method that leverages the spatiotemporal graph to address the FXRP problem. In the second step, we present a stochastic optimization problem to exploit FXSAs while accounting for the observation-execution time lag. To address this problem, we propose a graph-learning method that enforces constraints through projection and ReLU, maximizes risk-adjusted return by leveraging a graph with exchanges as nodes and influence relationships as edges, and utilizes the predictions from the FXRP method for the constraint parameters and node features. Moreover, we prove that our FXSA method satisfies empirical arbitrage constraints. The experimental results demonstrate that our FXRP method yields statistically significant improvements in mean squared error, and that the FXSA method achieves a 61.89% higher information ratio and a 45.51% higher Sortino ratio than a benchmark. Our approach provides a novel perspective on FXRP and FXSA within the context of graph learning.

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。