Aprendizado em grafos e posições sintéticas para arbitragem estatística em opções

Artigo arXiv papers · Autor: Yoonsik Hong et al.

Resumo

Este artigo propõe um método em duas etapas para identificar e negociar oportunidades de arbitragem estatística em opções. Primeiro, define um alvo de previsão destinado a isolar a arbitragem pura usando títulos sintéticos e, em seguida, usa o RNConv, uma arquitetura de aprendizado em grafos que incorpora uma estrutura de árvore, para prever esse alvo. A motivação inclui a natureza tabular de muitas características e o desempenho relatado de métodos baseados em árvores nesse tipo de dado.

Na segunda etapa, as previsões são projetadas em posições sintéticas compradas chamadas SLSA. Sob a hipótese do artigo de ausência de arbitragem, essas posições são descritas como de risco mínimo e neutras aos fatores de risco de Black–Scholes. Experimentos com opções sobre o índice KOSPI 200 relatam que o RNConv supera as referências de aprendizado em grafos e que SLSA gera retornos positivos, com uma razão média de informação P&L-contrato declarada de 0.1627. Esses resultados são específicos do conjunto de dados e das hipóteses relatados; o resumo não demonstra desempenho em outros mercados de opções nem sob custos e condições de trading diferentes.

Ideias principais

O método prevê um alvo voltado à arbitragem, definido com o uso de títulos sintéticos.
O RNConv combina aprendizado em grafos com uma estrutura de árvore para realizar a tarefa de previsão.
A projeção SLSA converte as previsões do modelo em posições sintéticas compradas em opções.
Sob a hipótese de ausência de arbitragem, SLSA é descrito como de risco mínimo e neutro aos fatores de risco de Black–Scholes.
Testes com opções KOSPI 200 relatam desempenho superior às referências e retornos positivos de SLSA, mas não demonstram generalização mais ampla.

Tags

Opções Arbitragem Aprendizado de máquina Precificação de derivativos

Texto completo

# Statistical Arbitrage in Options Markets by Graph Learning and Synthetic Long Positions

Statistical arbitrages (StatArbs) driven by machine learning has garnered considerable attention in both academia and industry. Nevertheless, deep-learning (DL) approaches to directly exploit StatArbs in options markets remain largely unexplored. Moreover, prior graph learning (GL) -- a methodological basis of this paper -- studies overlooked that features are tabular in many cases and that tree-based methods outperform DL on numerous tabular datasets. To bridge these gaps, we propose a two-stage GL approach for direct identification and exploitation of StatArbs in options markets. In the first stage, we define a novel prediction target isolating pure arbitrages via synthetic bonds. To predict the target, we develop RNConv, a GL architecture incorporating a tree structure. In the second stage, we propose SLSA -- a class of positions comprising pure arbitrage opportunities. It is provably of minimal risk and neutral to all Black-Scholes risk factors under the arbitrage-free assumption. We also present the SLSA projection converting predictions into SLSA positions. Our experiments on KOSPI 200 index options show that RNConv statistically significantly outperforms GL baselines, and that SLSA consistently yields positive returns, achieving an average P&L-contract information ratio of 0.1627. Our approach offers a novel perspective on the prediction target and strategy for exploiting StatArbs in options markets through the lens of DL, in conjunction with a pioneering tree-based GL.

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.