コンテンツへスキップ
ライブラリの全資料

ニューラルカルマンフィルターとボリンジャーバンドによるペア取引

記事 arXiv papers · 著者: Amit Milstein et al.
原文を読む

サマリー

この文書は、カルマンフィルター、ボリンジャーバンドのシグナル、KalmanNetアーキテクチャに基づくニューラルネットワークを組み合わせたペア取引方針KBPTを紹介します。従来の手法では、2資産間の関係をガウスノイズを伴う線形状態空間過程としてモデル化します。このモデルはペアの挙動を近似するにとどまる可能性があるため、そこから得られる指標や取引の信頼性が低い場合があります。これに対してKBPTは、部分的な共和分を許容する拡張状態空間モデルを用い、追跡プロセスの改善を学習します。

学習は2段階で行われます。まず取引目的を設けずに追跡アルゴリズムを調整し、次に、微分可能な写像でボリンジャーバンドの判断を近似しながら、収益の最大化を目指す形で指標の追跡に適応させます。著者らは、複数の資産においてモデルベースおよびデータ駆動型のベンチマークを上回る収益を報告しています。資産の一覧、評価期間、取引コストの前提、定量的な結果は示されておらず、頑健性や実運用との関連性を評価するには情報が限られています。

主なアイデア

  • カルマンフィルターとボリンジャーバンドによるペア取引に、KalmanNetベースのニューラルネットワークを組み合わせます。
  • 拡張状態空間モデルで、資産間の関係を部分共和分として表現します。
  • まず追跡を独立して調整し、その後、指標と収益目標に適応させます。
  • 微分可能な写像で、ボリンジャーバンドに基づく取引判断を近似します。
  • 著者らは、複数の資産でモデルベースおよびデータ駆動型のベンチマークを上回る収益を報告しています。

タグ

ペア取引機械学習平均回帰テクニカル指標統計
全文
# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading


# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading









Pairs trading is a family of trading techniques that determine their policies based on monitoring the relationships between pairs of assets. A common pairs trading approach relies on describing the pair-wise relationship as a linear Space State (SS) model with Gaussian noise. This representation facilitates extracting financial indicators with low complexity and latency using a Kalman Filter (KF), that are then processed using classic policies such as Bollinger Bands (BB). However, such SS models are inherently approximated and mismatched, often degrading the revenue. In this work, we propose KalmenNet-aided Bollinger bands Pairs Trading (KBPT), a deep learning aided policy that augments the operation of KF-aided BB trading. KBPT is designed by formulating an extended SS model for pairs trading that approximates their relationship as holding partial co-integration. This SS model is utilized by a trading policy that augments KF-BB trading with a dedicated neural network based on the KalmanNet architecture. The resulting KBPT is trained in a two-stage manner which first tunes the tracking algorithm in an unsupervised manner independently of the trading task, followed by its adaptation to track the financial indicators to maximize revenue while approximating BB with a differentiable mapping. KBPT thus leverages data to overcome the approximated nature of the SS model, converting the KF-BB policy into a trainable model. We empirically demonstrate that our proposed KBPT systematically yields improved revenue compared with model-based and data-driven benchmarks over various different assets.

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。