Negociação ótima com aprendizado em modelos de alfa latente

Resumo

Este artigo estuda a negociação ótima quando um sinal de arbitragem estatística vem de fatores ocultos que fazem os preços saltarem e se difundirem. As ordens do operador também podem afetar os preços cotados e os preços de execução, portanto o problema inclui tanto estados incertos do mercado quanto o impacto das próprias ordens nos preços. O método proposto acompanha a distribuição posterior dos estados latentes e a usa para resolver explicitamente o problema de negociação. Um teorema de verificação sustenta a solução, enquanto uma variação do algoritmo de expectativa-maximização oferece uma forma de calibrar o modelo.

Simulações comparam a estratégia que considera o aprendizado com estratégias que ignoram o aprendizado dos estados latentes, e o artigo apresenta resultados de calibração usando ações da Intel. Esses exemplos ilustram a abordagem, mas a descrição fornecida não apresenta resultados numéricos de desempenho nem detalha as premissas do modelo. Portanto, os resultados estabelecem uma estrutura de modelagem e solução, sem mostrar como ela se comporta em diferentes mercados ou em condições reais de negociação.

Ideias principais

• Fatores latentes podem impulsionar tanto saltos quanto difusão nos preços usados para arbitragem estatística.
• As ordens de um trader podem afetar os preços cotados e os preços obtidos durante a execução.
• A estratégia aprende uma distribuição posterior dos estados ocultos e a usa para escolher as operações.
• Um teorema de verificação e uma variante do algoritmo de expectativa-maximização sustentam a solução e a calibração.
• As simulações comparam a abordagem com estratégias que não consideram o aprendizado dos estados latentes.

Tags

# Trading algorithms with learning in latent alpha models


# Trading algorithms with learning in latent alpha models









Alpha signals for statistical arbitrage strategies are often driven by latent factors. This paper analyses how to optimally trade with latent factors that cause prices to jump and diffuse. Moreover, we account for the effect of the trader's actions on quoted prices and the prices they receive from trading. Under fairly general assumptions, we demonstrate how the trader can learn the posterior distribution over the latent states, and explicitly solve the latent optimal trading problem. We provide a verification theorem, and a methodology for calibrating the model by deriving a variation of the expectation-maximization algorithm. To illustrate the efficacy of the optimal strategy, we demonstrate its performance through simulations and compare it to strategies which ignore learning in the latent factors. We also provide calibration results for a particular model using Intel Corporation stock as an example.

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.