Redes neurais profundas para arbitragem estatística robusta

Resumo

O documento descreve um método orientado por dados para encontrar estratégias de arbitragem estatística que buscam permanecer rentáveis sob incerteza sobre o modelo de mercado. Ele usa redes neurais profundas para considerar vários ativos em conjunto, sem precisar identificar primeiro pares cointegrados. Isso amplia a abordagem para mercados de maior dimensão e cenários em que o pair trading convencional pode não funcionar bem.

O método também constrói, a partir de dados de mercado observados, um conjunto de medidas de probabilidade plausíveis para representar a ambiguidade do modelo. Os autores caracterizam a abordagem resultante como livre de modelo. Eles relatam investigações empíricas com desempenho rentável em dimensões de até 50, inclusive durante crises financeiras e após deixarem de persistir as relações de cointegração entre pares. O trecho não informa conjuntos de dados, desenho da avaliação, premissas de custos nem métricas detalhadas de desempenho; portanto, não basta para avaliar a robustez no trading ao vivo ou reproduzir os resultados.

Ideias principais

• Redes neurais profundas são usadas para identificar estratégias de arbitragem estatística sob ambiguidade do modelo.
• O método considera vários ativos sem exigir pares cointegrados.
• Um conjunto de medidas de probabilidade plausíveis é derivado dos dados observados.
• As investigações empíricas relatadas incluem períodos de crise e casos em que a cointegração deixa de existir.
• O trecho omite detalhes dos testes e premissas sobre custos de trading necessários para avaliar o desempenho prático.

Tags

# Detecting data-driven robust statistical arbitrage strategies with deep neural networks


# Detecting data-driven robust statistical arbitrage strategies with deep neural networks









We present an approach, based on deep neural networks, that allows identifying robust statistical arbitrage strategies in financial markets. Robust statistical arbitrage strategies refer to trading strategies that enable profitable trading under model ambiguity. The presented novel methodology allows to consider a large amount of underlying securities simultaneously and does not depend on the identification of cointegrated pairs of assets, hence it is applicable on high-dimensional financial markets or in markets where classical pairs trading approaches fail. Moreover, we provide a method to build an ambiguity set of admissible probability measures that can be derived from observed market data. Thus, the approach can be considered as being model-free and entirely data-driven. We showcase the applicability of our method by providing empirical investigations with highly profitable trading performances even in 50 dimensions, during financial crises, and when the cointegration relationship between asset pairs stops to persist.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.