Aprendizado ponta a ponta de políticas com autoencoders para arbitragem estatística

Resumo

Este estudo explora autoencoders para arbitragem estatística em ações US. Em um fluxo de trabalho convencional de duas etapas, um modelo de precificação ou de componentes principais identifica um ativo sintético, e uma estratégia separada de reversão à média gera sinais de trading. Primeiro, os autores treinam um autoencoder padrão com retornos de ações e constroem estratégias em torno de um processo de Ornstein-Uhlenbeck. Em seguida, incorporam o autoencoder a uma representação neural de políticas de carteira que produz alocações diretamente.

O modelo combinado é treinado de ponta a ponta por retropropagação de retornos ajustados ao risco, conectando o aprendizado de representações às decisões de carteira. Os resultados relatados indicam que essa abordagem simplifica o desenvolvimento de estratégias e alcança retornos brutos mais altos do que as alternativas comparadas. O resumo não informa o período de avaliação, os resultados ajustados ao risco ou líquidos de custos, os detalhes da comparação nem evidências de desempenho fora do cenário do estudo. Portanto, a vantagem relatada é um resultado de pesquisa, não uma garantia de rentabilidade no trading ao vivo.

Ideias principais

• O artigo aplica autoencoders treinados com retornos de ações US à arbitragem estatística.
• Uma abordagem de referência usa um autoencoder para identificar um ativo sintético e uma estratégia de reversão à média de Ornstein-Uhlenbeck.
• A arquitetura ponta a ponta incorpora o autoencoder a uma rede que produz diretamente alocações de carteira.
• O treinamento usa retropropagação dos retornos da carteira ajustados ao risco.
• Os autores relatam retornos brutos superiores aos das alternativas, mas o resumo não estabelece desempenho líquido ou ao vivo.

Tags

# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture


# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture









In Statistical Arbitrage (StatArb), classical mean reversion trading strategies typically hinge on asset-pricing or PCA based models to identify the mean of a synthetic asset. Once such a (linear) model is identified, a separate mean reversion strategy is then devised to generate a trading signal. With a view of generalising such an approach and turning it truly data-driven, we study the utility of Autoencoder architectures in StatArb. As a first approach, we employ a standard Autoencoder trained on US stock returns to derive trading strategies based on the Ornstein-Uhlenbeck (OU) process. To further enhance this model, we take a policy-learning approach and embed the Autoencoder network into a neural network representation of a space of portfolio trading policies. This integration outputs portfolio allocations directly and is end-to-end trainable by backpropagation of the risk-adjusted returns of the neural policy. Our findings demonstrate that this innovative end-to-end policy learning approach not only simplifies the strategy development process, but also yields superior gross returns over its competitors illustrating the potential of end-to-end training over classical two-stage approaches.

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.