본문으로 건너뛰기
라이브러리 문서 전체

통계적 차익거래를 위한 엔드투엔드 오토인코더 정책 학습

기사 arXiv papers · 저자: Fabian Krause et al.
원문 읽기

요약

이 연구는 US 주식의 통계적 차익거래에 오토인코더를 활용한다. 기존의 2단계 방식에서는 가격결정 모델이나 주성분 모델이 합성 자산을 찾고, 별도의 평균회귀 전략이 트레이딩 신호를 만든다. 저자들은 먼저 주식 수익률로 표준 오토인코더를 학습하고, Ornstein-Uhlenbeck 과정에 기반한 전략을 구성한다. 이어서 포트폴리오 정책의 신경망 표현에 오토인코더를 통합해 자산 배분을 직접 산출한다.

결합 모델은 위험조정 수익률을 역전파해 엔드투엔드 방식으로 학습하며, 표현 학습과 포트폴리오 의사결정을 연결한다. 보고된 결과에 따르면 이 접근법은 전략 개발을 간소화하고 비교 대상보다 높은 총수익률을 달성한다. 초록에는 평가 기간, 위험조정 또는 비용 차감 후 결과, 비교 세부사항, 연구 설정 밖에서의 성과 증거가 없다. 따라서 보고된 우위는 연구 결과이지 실거래 수익성의 보장이 아니다.

핵심 아이디어

  • 논문은 US 주식 수익률로 학습한 오토인코더를 통계적 차익거래에 적용한다.
  • 기준 방식은 오토인코더로 합성 자산을 찾고 Ornstein-Uhlenbeck 평균회귀 전략을 사용한다.
  • 엔드투엔드 구조는 포트폴리오 배분을 직접 출력하는 네트워크에 오토인코더를 통합한다.
  • 위험조정 포트폴리오 수익률을 역전파해 학습한다.
  • 저자들은 경쟁 방식보다 높은 총수익률을 보고하지만, 초록은 비용 차감 후 또는 실거래 성과를 입증하지 않는다.

태그

주식머신러닝평균 회귀포트폴리오 구성
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.