Сквозное обучение политик статистического арбитража с автоэнкодером

Сводка

В исследовании рассматриваются автоэнкодеры для статистического арбитража на акциях US. В стандартном двухэтапном процессе модель ценообразования или главных компонент выявляет синтетический актив, а отдельная стратегия возврата к среднему формирует торговые сигналы. Сначала авторы обучают стандартный автоэнкодер на доходности акций и строят стратегии на основе процесса Орнштейна—Уленбека. Затем они встраивают автоэнкодер в нейросетевое представление портфельных политик, которое напрямую формирует распределение активов.

Объединённая модель обучается сквозным методом с помощью обратного распространения градиента целевой функции доходности с поправкой на риск, связывая обучение представлений с портфельными решениями. По сообщению авторов, этот подход упрощает разработку стратегий и обеспечивает более высокую валовую доходность, чем сравниваемые альтернативы. В аннотации не указаны период оценки, результаты с поправкой на риск или за вычетом издержек, подробности сравнения либо данные о результатах за пределами условий исследования. Поэтому заявленное преимущество — результат исследования, а не гарантия прибыльности при торговле на реальном счёте.

Ключевые идеи

• В статье автоэнкодеры, обученные на доходности акций US, применяются для статистического арбитража.
• Базовый подход использует автоэнкодер для выявления синтетического актива и стратегию возврата к среднему на основе процесса Орнштейна—Уленбека.
• Сквозная архитектура встраивает автоэнкодер в сеть, которая напрямую формирует распределение портфеля.
• Обучение основано на обратном распространении градиента целевой функции доходности портфеля с поправкой на риск.
• Авторы сообщают о более высокой валовой доходности по сравнению с альтернативами, но аннотация не подтверждает результаты за вычетом издержек или при реальной торговле.

Теги

# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture


# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture









In Statistical Arbitrage (StatArb), classical mean reversion trading strategies typically hinge on asset-pricing or PCA based models to identify the mean of a synthetic asset. Once such a (linear) model is identified, a separate mean reversion strategy is then devised to generate a trading signal. With a view of generalising such an approach and turning it truly data-driven, we study the utility of Autoencoder architectures in StatArb. As a first approach, we employ a standard Autoencoder trained on US stock returns to derive trading strategies based on the Ornstein-Uhlenbeck (OU) process. To further enhance this model, we take a policy-learning approach and embed the Autoencoder network into a neural network representation of a space of portfolio trading policies. This integration outputs portfolio allocations directly and is end-to-end trainable by backpropagation of the risk-adjusted returns of the neural policy. Our findings demonstrate that this innovative end-to-end policy learning approach not only simplifies the strategy development process, but also yields superior gross returns over its competitors illustrating the potential of end-to-end training over classical two-stage approaches.

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.