コンテンツへスキップ
ライブラリの全資料

ペア株の統計的裁定に向けた強化学習

記事 arXiv papers · 著者: Boming Ning et al.
原文を読む

サマリー

本研究は、ペア株間の統計的裁定を対象とするモデルフリーの強化学習枠組みを提示しています。まず、スプレッドが平均回帰するまでの時間を示す経験的指標が最小になるよう資産係数を選び、平均回帰するスプレッドを構築します。これにより、固定されたモデル仮定に依存せず、観測された回帰時間を基準として用います。

取引では、強化学習を用いて平均回帰戦略を選択します。状態には長期平均からのスプレッドの距離だけでなく、直近の価格変動トレンドも含め、報酬は平均回帰取引の特性に合わせています。提示された説明では設計の概要が示されていますが、実証的な成績、学習の詳細、他の戦略との比較はありません。そのため手法の説明にとどまり、実用上の有効性や頑健性はここでは確認されていません。

主なアイデア

  • スプレッドが平均回帰するまでの経験的な時間指標を最小化して、ペア株のスプレッドを構築します。
  • スプレッド構築の一環として資産係数を最適化します。
  • スプレッドの売買行動の選択に強化学習を用います。
  • 状態表現には、平均回帰に関する情報だけでなく、直近の価格トレンドも含まれます。
  • 説明には成績の証拠や実装の詳細が報告されていません。

タグ

株式ペア取引平均回帰機械学習
全文
# 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.

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。