Mínimos quadrados flexíveis para arbitragem estatística dinâmica

Resumo

Este artigo considera como modelar relações mutáveis entre múltiplos fluxos de dados que evoluem ao longo do tempo. Seu foco são os mínimos quadrados flexíveis (FLS), que modificam os mínimos quadrados ordinários com uma penalidade que permite a variação dos coeficientes de regressão, sem exigir um modelo probabilístico restritivo para essas dependências. A aplicação financeira que motiva o estudo é a arbitragem estatística.

Os autores demonstram uma equivalência algébrica entre FLS e as equações do filtro de Kalman. Usam essa relação para esclarecer o método e propor um algoritmo mais eficiente. Relatam experimentos promissores de um sistema de trading algorítmico aplicado ao índice futuro do S&P 500. A descrição fornecida não especifica as regras de trading, o período de avaliação, os custos, a referência de comparação nem o desempenho numérico; portanto, oferece poucas evidências de rentabilidade prática. Conforme descrita, sua principal contribuição é a abordagem de estimação dinâmica e sua relação computacional com métodos de filtragem.

Ideias principais

• FLS estima relações entre fluxos de dados em evolução, permitindo que os coeficientes de regressão mudem com o tempo.
• Sua formulação de mínimos quadrados penalizados evita impor uma lei probabilística restritiva às dependências mutáveis.
• O artigo estabelece uma equivalência algébrica entre FLS e as equações do filtro de Kalman.
• Essa equivalência é usada para explicar o método e justificar a proposta de um algoritmo mais eficiente.
• Os experimentos em um sistema de trading com futuros do índice S&P 500 são descritos como promissores, mas faltam evidências detalhadas de desempenho.

Tags

# Flexible least squares for temporal data mining and statistical arbitrage


# Flexible least squares for temporal data mining and statistical arbitrage









A number of recent emerging applications call for studying data streams, potentially infinite flows of information updated in real-time. When multiple co-evolving data streams are observed, an important task is to determine how these streams depend on each other, accounting for dynamic dependence patterns without imposing any restrictive probabilistic law governing this dependence. In this paper we argue that flexible least squares (FLS), a penalized version of ordinary least squares that accommodates for time-varying regression coefficients, can be deployed successfully in this context. Our motivating application is statistical arbitrage, an investment strategy that exploits patterns detected in financial data streams. We demonstrate that FLS is algebraically equivalent to the well-known Kalman filter equations, and take advantage of this equivalence to gain a better understanding of FLS and suggest a more efficient algorithm. Promising experimental results obtained from a FLS-based algorithmic trading system for the S&P 500 Futures Index are reported.

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.