Estimativa Online em Espaço de Estados de Spreads com Reversão à Média para Arbitragem Estatística

Resumo

Este artigo desenvolve uma abordagem de espaço de estados para modelar spreads com reversão à média usados em arbitragem estatística, incluindo trading de pares. Ele trata spreads observados como leituras ruidosas de estados ocultos e usa estimativas desses estados em tempo real para identificar ineficiências temporárias de mercado. A estrutura amplia modelos lineares gaussianos anteriores em espaço de estados ao permitir que os parâmetros variem no tempo, ajudando as estimativas a se adaptarem às mudanças no processo gerador dos dados.

Os autores também apresentam um algoritmo de estimação online concebido para operar continuamente, inclusive com dados de alta frequência, e produzir medidas de incerteza para os parâmetros estimados. Eles discutem experimentos com simulações de Monte Carlo e dados históricos de ações, incluindo uma relação de cointegração entre dois fundos negociados em bolsa. O documento não apresenta números de desempenho nem análise de custos de trading; portanto, não demonstra que as ineficiências detectadas se traduzem em retornos excedentes executáveis. As evidências são descritas em linhas gerais, sem detalhes suficientes aqui para avaliar a robustez.

Ideias principais

• A estrutura modela spreads observados como realizações ruidosas de estados ocultos em um processo linear gaussiano de espaço de estados.
• Permitir que os parâmetros do modelo variem no tempo ajuda a adaptação a mudanças nos dados.
• Um algoritmo online estima o spread latente e os parâmetros em tempo real.
• Medidas de incerteza dos parâmetros podem ajudar no monitoramento da reversão à média.
• São descritos exemplos com Monte Carlo e dados históricos de ações, incluindo uma relação de cointegração entre dois ETFs.

Tags

# Dynamic modeling of mean-reverting spreads for statistical arbitrage


# Dynamic modeling of mean-reverting spreads for statistical arbitrage









Statistical arbitrage strategies, such as pairs trading and its generalizations, rely on the construction of mean-reverting spreads enjoying a certain degree of predictability. Gaussian linear state-space processes have recently been proposed as a model for such spreads under the assumption that the observed process is a noisy realization of some hidden states. Real-time estimation of the unobserved spread process can reveal temporary market inefficiencies which can then be exploited to generate excess returns. Building on previous work, we embrace the state-space framework for modeling spread processes and extend this methodology along three different directions. First, we introduce time-dependency in the model parameters, which allows for quick adaptation to changes in the data generating process. Second, we provide an on-line estimation algorithm that can be constantly run in real-time. Being computationally fast, the algorithm is particularly suitable for building aggressive trading strategies based on high-frequency data and may be used as a monitoring device for mean-reversion. Finally, our framework naturally provides informative uncertainty measures of all the estimated parameters. Experimental results based on Monte Carlo simulations and historical equity data are discussed, including a co-integration relationship involving two exchange-traded funds.

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.