페어 트레이딩을 위한 신경망 칼만 필터와 볼린저 밴드

기사 arXiv papers · 저자: Amit Milstein et al.

요약

이 문서는 칼만 필터, 볼린저 밴드 신호, KalmanNet 구조를 바탕으로 한 신경망을 결합한 페어 트레이딩 정책 KBPT을 제시합니다. 전통적인 방식은 두 자산의 관계를 가우스 잡음이 있는 선형 상태 공간 과정으로 모형화합니다. 이 모형은 페어의 움직임을 근사하는 데 그칠 수 있어, 그 결과로 나온 지표와 거래가 신뢰하기 어려울 수 있습니다. 대신 KBPT은 부분 공적분을 허용하는 확장 상태 공간 모형을 사용하고 추적 과정을 개선하도록 학습합니다.

학습은 두 단계로 진행됩니다. 먼저 트레이딩 목적 없이 추적 알고리즘을 조정한 다음, 미분 가능한 매핑으로 볼린저 밴드 의사결정을 근사하면서 수익 극대화를 추구하도록 지표 추적 방식을 조정합니다. 저자들은 여러 자산에서 모형 기반 및 데이터 기반 벤치마크보다 수익이 개선됐다고 보고합니다. 설명에는 자산 목록, 평가 기간, 거래 비용 가정, 정량적 결과가 없어 강건성과 실거래 관련성을 평가하기 어렵습니다.

핵심 아이디어

이 방법은 칼만 필터와 볼린저 밴드 기반 페어 트레이딩에 KalmanNet 기반 신경망을 더합니다.
확장 상태 공간 모형은 자산 간 관계를 부분 공적분으로 나타냅니다.
학습은 먼저 추적 기능을 독립적으로 조정한 다음, 지표와 수익 목표에 맞게 적용합니다.
미분 가능한 매핑으로 볼린저 밴드 트레이딩 의사결정을 근사합니다.
저자들은 여러 자산에서 모형 기반 및 데이터 기반 벤치마크보다 수익이 높았다고 보고합니다.

Pairs trading is a family of trading techniques that determine their policies based on monitoring the relationships between pairs of assets. A common pairs trading approach relies on describing the pair-wise relationship as a linear Space State (SS) model with Gaussian noise. This representation facilitates extracting financial indicators with low complexity and latency using a Kalman Filter (KF), that are then processed using classic policies such as Bollinger Bands (BB). However, such SS models are inherently approximated and mismatched, often degrading the revenue. In this work, we propose KalmenNet-aided Bollinger bands Pairs Trading (KBPT), a deep learning aided policy that augments the operation of KF-aided BB trading. KBPT is designed by formulating an extended SS model for pairs trading that approximates their relationship as holding partial co-integration. This SS model is utilized by a trading policy that augments KF-BB trading with a dedicated neural network based on the KalmanNet architecture. The resulting KBPT is trained in a two-stage manner which first tunes the tracking algorithm in an unsupervised manner independently of the trading task, followed by its adaptation to track the financial indicators to maximize revenue while approximating BB with a differentiable mapping. KBPT thus leverages data to overcome the approximated nature of the SS model, converting the KF-BB policy into a trainable model. We empirically demonstrate that our proposed KBPT systematically yields improved revenue compared with model-based and data-driven benchmarks over various different assets.

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

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

페어 트레이딩을 위한 신경망 칼만 필터와 볼린저 밴드

요약

핵심 아이디어

태그