Гибкий метод наименьших квадратов для динамического статистического арбитража

Сводка

В статье рассматривается моделирование меняющихся связей между несколькими потоками данных, изменяющимися во времени. В центре внимания — гибкий метод наименьших квадратов (FLS), который модифицирует обычный метод наименьших квадратов с помощью штрафа, позволяющего коэффициентам регрессии меняться, не требуя жёсткой вероятностной модели этих зависимостей. Статистический арбитраж служит основным финансовым примером применения.

Авторы показывают алгебраическую эквивалентность FLS уравнениям фильтра Калмана и используют эту связь, чтобы прояснить метод и предложить более эффективный алгоритм. Они сообщают о многообещающих экспериментах с системой алгоритмической торговли, применённой к фьючерсному индексу S&P 500. В описании не указаны правила торговли, период оценки, издержки, бенчмарк или численные результаты, поэтому свидетельства практической прибыльности ограничены. Как сказано в статье, её основной вклад — подход к динамическому оцениванию и его вычислительная связь с методами фильтрации.

Ключевые идеи

• FLS оценивает связи между меняющимися потоками данных, позволяя коэффициентам регрессии изменяться со временем.
• Формулировка метода наименьших квадратов со штрафом позволяет обойтись без жёсткого вероятностного закона для меняющихся зависимостей.
• В статье установлена алгебраическая эквивалентность между FLS и уравнениями фильтра Калмана.
• Эта эквивалентность используется для объяснения метода и обоснования более эффективного алгоритма.
• Эксперименты с торговой системой на фьючерсном индексе S&P 500 описаны как многообещающие, но подробных данных о результатах нет.

Теги

# Flexible least squares for temporal data mining and statistical arbitrage


# Flexible least squares for temporal data mining and statistical arbitrage









A number of recent emerging applications call for studying data streams, potentially infinite flows of information updated in real-time. When multiple co-evolving data streams are observed, an important task is to determine how these streams depend on each other, accounting for dynamic dependence patterns without imposing any restrictive probabilistic law governing this dependence. In this paper we argue that flexible least squares (FLS), a penalized version of ordinary least squares that accommodates for time-varying regression coefficients, can be deployed successfully in this context. Our motivating application is statistical arbitrage, an investment strategy that exploits patterns detected in financial data streams. We demonstrate that FLS is algebraically equivalent to the well-known Kalman filter equations, and take advantage of this equivalence to gain a better understanding of FLS and suggest a more efficient algorithm. Promising experimental results obtained from a FLS-based algorithmic trading system for the S&P 500 Futures Index are reported.

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.