옵션 차익거래를 위한 그래프 학습

기사 arXiv papers · 저자: Yoonsik Hong et al.

요약

이 논문은 옵션에서 통계적 차익거래 기회를 찾고 매매하는 2단계 방법을 제안합니다. 먼저 합성 채권을 이용해 순수 차익거래를 분리하도록 예측 대상을 정의한 다음, 트리 구조를 통합한 그래프 학습 구조인 RNConv로 해당 대상을 예측합니다. 여러 특성이 표 형태이고 이런 데이터에서 트리 기반 방법의 성능이 높다고 보고된 점이 접근의 동기입니다.

두 번째 단계에서는 예측값을 SLSA이라 부르는 합성 매수 포지션으로 변환합니다. 논문의 차익거래 부재 가정 아래 이 포지션은 위험이 최소이고 Black–Scholes 위험 요인에 중립이라고 설명됩니다. KOSPI 200 지수 옵션 실험에서는 RNConv가 그래프 학습 기준 모델보다 뛰어나고 SLSA이 양의 수익률을 냈다고 보고하며, 평균 손익-계약 정보비율은 0.1627라고 제시합니다. 이 결과는 보고된 데이터셋과 가정에 한정됩니다. 다른 옵션 시장이나 다른 거래 비용·조건에서의 성과는 요약에서 입증되지 않습니다.

핵심 아이디어

합성 채권을 이용해 차익거래에 초점을 맞춘 예측 대상을 정의합니다.
RNConv는 예측 과제를 처리하기 위해 그래프 학습과 트리 구조를 결합합니다.
SLSA 투영은 모델 예측을 합성 옵션 매수 포지션으로 변환합니다.
차익거래 부재 가정 아래 SLSA은 위험이 최소이고 Black–Scholes 위험 요인에 중립이라고 설명됩니다.
KOSPI 200 옵션 테스트에서 기준 모델보다 높은 성능과 양의 SLSA 수익률을 보고하지만, 더 넓은 일반화는 제시되지 않습니다.

Statistical arbitrages (StatArbs) driven by machine learning has garnered considerable attention in both academia and industry. Nevertheless, deep-learning (DL) approaches to directly exploit StatArbs in options markets remain largely unexplored. Moreover, prior graph learning (GL) -- a methodological basis of this paper -- studies overlooked that features are tabular in many cases and that tree-based methods outperform DL on numerous tabular datasets. To bridge these gaps, we propose a two-stage GL approach for direct identification and exploitation of StatArbs in options markets. In the first stage, we define a novel prediction target isolating pure arbitrages via synthetic bonds. To predict the target, we develop RNConv, a GL architecture incorporating a tree structure. In the second stage, we propose SLSA -- a class of positions comprising pure arbitrage opportunities. It is provably of minimal risk and neutral to all Black-Scholes risk factors under the arbitrage-free assumption. We also present the SLSA projection converting predictions into SLSA positions. Our experiments on KOSPI 200 index options show that RNConv statistically significantly outperforms GL baselines, and that SLSA consistently yields positive returns, achieving an average P&L-contract information ratio of 0.1627. Our approach offers a novel perspective on the prediction target and strategy for exploiting StatArbs in options markets through the lens of DL, in conjunction with a pioneering tree-based GL.

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

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

옵션 통계적 차익거래를 위한 그래프 학습과 합성 포지션

요약

핵심 아이디어

태그