Глубокие нейросети для устойчивого статистического арбитража

Сводка

В документе описан основанный на данных метод поиска стратегий статистического арбитража, призванных сохранять прибыльность при неопределённости модели рынка. Метод использует глубокие нейронные сети для совместного анализа множества ценных бумаг, поэтому предварительно выявлять коинтегрированные пары не требуется. Это расширяет подход на рынки большей размерности и ситуации, в которых традиционная парная торговля может работать хуже.

Метод также строит по наблюдаемым рыночным данным набор правдоподобных вероятностных мер, представляющий неопределённость модели. Авторы характеризуют полученный подход как свободный от модели. Они сообщают об эмпирических исследованиях с прибыльными результатами при размерности до 50, в том числе во время финансовых кризисов и после того, как парные коинтеграционные связи перестают сохраняться. Во фрагменте нет наборов данных, схемы оценки, предположений об издержках или подробных показателей эффективности, поэтому оценить устойчивость в реальной торговле или воспроизвести результаты невозможно.

Ключевые идеи

• Глубокие нейронные сети применяются для поиска стратегий статистического арбитража при неопределённости модели.
• Метод анализирует множество ценных бумаг без необходимости искать коинтегрированные пары.
• По наблюдаемым данным строится множество правдоподобных вероятностных мер, отражающее неопределённость.
• В описанные эмпирические исследования входят кризисные периоды и случаи нарушения коинтеграции.
• Во фрагменте не указаны детали тестирования и предположения о торговых издержках, необходимые для оценки практической эффективности.

Теги

# Detecting data-driven robust statistical arbitrage strategies with deep neural networks


# Detecting data-driven robust statistical arbitrage strategies with deep neural networks









We present an approach, based on deep neural networks, that allows identifying robust statistical arbitrage strategies in financial markets. Robust statistical arbitrage strategies refer to trading strategies that enable profitable trading under model ambiguity. The presented novel methodology allows to consider a large amount of underlying securities simultaneously and does not depend on the identification of cointegrated pairs of assets, hence it is applicable on high-dimensional financial markets or in markets where classical pairs trading approaches fail. Moreover, we provide a method to build an ambiguity set of admissible probability measures that can be derived from observed market data. Thus, the approach can be considered as being model-free and entirely data-driven. We showcase the applicability of our method by providing empirical investigations with highly profitable trading performances even in 50 dimensions, during financial crises, and when the cointegration relationship between asset pairs stops to persist.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.