본문으로 건너뛰기
라이브러리 문서 전체

FX 예측과 체결 지연을 반영한 그래프 학습 차익거래

기사 arXiv papers · 저자: Yoonsik Hong et al.
원문 읽기

요약

제안된 접근법은 가격 관측과 거래 체결 사이의 지연을 반영하면서 환율 예측과 통계적 차익거래를 결합합니다. 첫 단계에서는 이산 시간 시공간 그래프의 엣지 수준 회귀로 환율을 예측합니다. 통화는 노드, 환율은 엣지 특징이며 금리는 노드 특징으로 들어갑니다. 이 구조는 통화와 금리 간 관계를 표현하기 위한 것입니다.

두 번째 단계에서는 차익거래를 확률적 최적화 문제로 정식화합니다. 거래소와 그 영향 관계를 나타내는 그래프가 위험조정 포트폴리오 의사결정을 뒷받침하며, 투영과 ReLU는 예측 모델의 출력을 사용해 제약을 적용합니다. 저자들은 예측의 평균제곱오차가 통계적으로 유의하게 개선되고 차익거래에서 벤치마크보다 정보 비율과 소르티노 비율이 높았다고 보고하며, 실증적 차익거래 제약을 입증했다고 합니다. 제공된 설명에는 데이터, 벤치마크 구성 또는 평가 기간이 명시되지 않아 이 글만으로는 보고된 성과를 더 넓은 시장에 적용할 수 있는지 평가할 수 없습니다.

핵심 아이디어

  • FX 예측은 통화와 거래소의 시공간 그래프에서 엣지 수준 회귀로 모델링합니다.
  • 금리와 환율은 각각 노드 특징과 엣지 특징으로 그래프에 들어갑니다.
  • 차익거래 단계는 가격 관측과 거래 체결 사이의 시간 지연을 명시적으로 반영합니다.
  • 확률적 최적화 프레임워크에서 투영과 ReLU를 사용해 제약을 적용합니다.
  • 저자들은 예측 오차 개선과 벤치마크보다 높은 위험조정 지표를 보고합니다.

태그

외환차익 거래머신러닝통계주문 집행
전문
# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage


# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage









We propose a two-step graph learning approach for foreign exchange statistical arbitrages (FXSAs), addressing two key gaps in prior studies: the absence of graph-learning methods for foreign exchange rate prediction (FXRP) that leverage multi-currency and currency-interest rate relationships, and the disregard of the time lag between price observation and trade execution. In the first step, to capture complex multi-currency and currency-interest rate relationships, we formulate FXRP as an edge-level regression problem on a discrete-time spatiotemporal graph. This graph consists of currencies as nodes and exchanges as edges, with interest rates and foreign exchange rates serving as node and edge features, respectively. We then introduce a graph-learning method that leverages the spatiotemporal graph to address the FXRP problem. In the second step, we present a stochastic optimization problem to exploit FXSAs while accounting for the observation-execution time lag. To address this problem, we propose a graph-learning method that enforces constraints through projection and ReLU, maximizes risk-adjusted return by leveraging a graph with exchanges as nodes and influence relationships as edges, and utilizes the predictions from the FXRP method for the constraint parameters and node features. Moreover, we prove that our FXSA method satisfies empirical arbitrage constraints. The experimental results demonstrate that our FXRP method yields statistically significant improvements in mean squared error, and that the FXSA method achieves a 61.89% higher information ratio and a 45.51% higher Sortino ratio than a benchmark. Our approach provides a novel perspective on FXRP and FXSA within the context of graph learning.

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

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