潜在アルファモデルにおける学習を伴う最適取引
記事 arXiv papers · 著者: Philippe Casgrain et al.
サマリー
この論文は、価格のジャンプと拡散を引き起こす隠れた要因から統計的裁定シグナルが生じる場合の最適取引を研究しています。トレーダーの注文も気配価格や約定価格に影響を及ぼすため、この問題には不確実な市場状態とトレーダー自身の価格インパクトの両方が含まれます。提案手法は潜在状態の事後分布を追跡し、それを使って取引問題を明示的に解きます。検証定理が解を裏付け、期待値最大化法の変法でモデルを較正できます。
シミュレーションでは、学習を考慮する戦略と潜在状態の学習を無視する戦略を比較し、Intel株を使った較正結果も報告しています。これらの例は手法を示すものですが、提示された説明には数値的なパフォーマンス結果やモデルの前提の詳細がありません。したがって、結果が示すのはモデル化と解法の枠組みであり、複数市場や実運用環境でのパフォーマンスではありません。
主なアイデア
- 潜在要因は、統計的裁定に用いる価格のジャンプと拡散の両方を引き起こす可能性があります。
- トレーダーの注文は気配価格と、執行時に得られる価格に影響を与える場合があります。
- 戦略は隠れた状態の事後分布を学習し、それを取引判断に用います。
- 検証定理と期待値最大化法の変法が、解法と較正を支えます。
- シミュレーションで、潜在状態の学習を省く戦略と手法を比較しています。
タグ
全文
# 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.
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。