페어 차익거래를 위한 강화학습

기사 arXiv papers · 저자: Boming Ning et al.

요약

이 연구는 페어 주식 간 통계적 차익거래를 위한 모델 비의존 강화학습 프레임워크를 제시합니다. 먼저 스프레드가 평균회귀하는 데 걸리는 시간을 경험적으로 측정하고, 그 값을 최소화하는 자산 계수를 선택해 평균회귀 스프레드를 구성합니다. 고정된 모델 가정에 의존하는 대신 관측된 회귀 시간 기준을 사용합니다.

매매 단계에서는 강화학습으로 평균회귀 전략을 선택합니다. 상태에는 장기 평균에서 스프레드가 얼마나 떨어져 있는지만이 아니라 최근 가격 움직임의 추세도 포함되며, 보상은 평균회귀 매매의 특성에 맞춰 설계됩니다. 제공된 설명은 설계를 개괄하지만 실증 성과, 훈련 세부 정보 또는 다른 전략과의 비교 결과를 제시하지 않습니다. 따라서 접근법을 설명할 뿐 실제 효과와 견고성은 여기서 입증되지 않았습니다.

핵심 아이디어

이 프레임워크는 경험적 회귀 시간 측정값을 최소화해 페어 주식 스프레드를 구성합니다.
스프레드 구성 과정에서 자산 계수를 최적화합니다.
스프레드의 매매 행동을 선택하는 데 강화학습을 사용합니다.
상태 표현은 평균회귀 맥락뿐 아니라 최근 가격 추세도 포함합니다.
설명에는 성과 증거나 실행 세부 정보가 보고되지 않습니다.

# 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.

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

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

페어 주식 통계적 차익거래를 위한 강화학습

요약

핵심 아이디어

태그