Aprendizado em grafos para previsão de FX e arbitragem estatística com execução

Resumo

A abordagem proposta combina previsão de taxas de câmbio com arbitragem estatística, considerando o atraso entre observar os preços e executar as operações. Na primeira etapa, a previsão das taxas de câmbio é modelada como uma regressão no nível das arestas em um grafo espaço-temporal de tempo discreto: moedas são nós, taxas de câmbio são características das arestas e taxas de juros contribuem como características dos nós. Essa estrutura busca representar relações entre moedas e taxas.

A segunda etapa formula a arbitragem como um problema de otimização estocástica. Um grafo de bolsas e suas relações de influência apoia decisões de carteira ajustadas ao risco, enquanto projeção e ReLU impõem restrições usando as saídas do modelo de previsão. Os autores relatam melhorias estatisticamente significativas no erro quadrático médio da previsão e índices de informação e Sortino superiores aos de uma referência para arbitragem, além de uma demonstração de restrições empíricas de arbitragem. A descrição fornecida não especifica os dados, a construção da referência nem o período de avaliação; portanto, este texto, por si só, não permite avaliar a aplicabilidade dos ganhos a outros mercados.

Ideias principais

• A previsão de FX é modelada como regressão no nível das arestas de um grafo espaço-temporal de moedas e câmbios.
• Taxas de juros e taxas de câmbio entram no grafo como características de nós e arestas, respectivamente.
• A etapa de arbitragem considera explicitamente o intervalo entre observar os preços e executar as operações.
• Projeção e ReLU são usadas para impor restrições em uma estrutura de otimização estocástica.
• Os autores relatam melhorias no erro de previsão e métricas ajustadas ao risco superiores às de uma referência.

Tags

# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage


# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage









We propose a two-step graph learning approach for foreign exchange statistical arbitrages (FXSAs), addressing two key gaps in prior studies: the absence of graph-learning methods for foreign exchange rate prediction (FXRP) that leverage multi-currency and currency-interest rate relationships, and the disregard of the time lag between price observation and trade execution. In the first step, to capture complex multi-currency and currency-interest rate relationships, we formulate FXRP as an edge-level regression problem on a discrete-time spatiotemporal graph. This graph consists of currencies as nodes and exchanges as edges, with interest rates and foreign exchange rates serving as node and edge features, respectively. We then introduce a graph-learning method that leverages the spatiotemporal graph to address the FXRP problem. In the second step, we present a stochastic optimization problem to exploit FXSAs while accounting for the observation-execution time lag. To address this problem, we propose a graph-learning method that enforces constraints through projection and ReLU, maximizes risk-adjusted return by leveraging a graph with exchanges as nodes and influence relationships as edges, and utilizes the predictions from the FXRP method for the constraint parameters and node features. Moreover, we prove that our FXSA method satisfies empirical arbitrage constraints. The experimental results demonstrate that our FXRP method yields statistically significant improvements in mean squared error, and that the FXSA method achieves a 61.89% higher information ratio and a 45.51% higher Sortino ratio than a benchmark. Our approach provides a novel perspective on FXRP and FXSA within the context of graph learning.

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.