Aprendizado online para arbitragem estatística sem premissas de estacionariedade

Resumo

Este documento apresenta uma abordagem de aprendizado online para arbitragem estatística. Ele a compara a estratégias conhecidas baseadas em modelos de reversão à média, cujas técnicas dependem de premissas que podem falhar em processos estocásticos não estacionários gerais. A alternativa proposta pretende funcionar sem exigir essas premissas.

O documento afirma que o método tem fortes garantias de aprendizado, sugerindo uma base teórica para se adaptar conforme os dados chegam. No entanto, a descrição não especifica o algoritmo, as garantias exatas, as regras de trading nem como são tratados a carteira e os custos de transação. Também não apresenta resultados empíricos ou comparações. Portanto, a contribuição é apresentada como uma alternativa metodológica geral; as informações disponíveis são insuficientes para avaliar sua rentabilidade prática ou robustez nos mercados reais.

Ideias principais

• A arbitragem estatística tradicional costuma depender de modelos de reversão à média e de suas premissas.
• Essas premissas podem não valer para processos estocásticos não estacionários gerais.
• A alternativa proposta usa aprendizado online e não exige essas premissas.
• O documento afirma que há fortes garantias de aprendizado, mas não fornece detalhes nem avaliação empírica.

Tags

# Online Learning Algorithms for Statistical Arbitrage


# Online Learning Algorithms for Statistical Arbitrage









Statistical arbitrage is a class of financial trading strategies using mean reversion models. The corresponding techniques rely on a number of assumptions which may not hold for general non-stationary stochastic processes. This paper presents an alternative technique for statistical arbitrage based on online learning which does not require such assumptions and which benefits from strong learning guarantees.

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.