Кластеризация графов для статистического арбитража акций США

Сводка

В исследовании предлагается система статистического арбитража между несколькими парами акций США, использующая кластеризацию графов для выявления связей между акциями. Она объединяет количественные методы, классификаторы машинного обучения и критерий Келли, стремясь улучшить выявление сигналов, управление рисками и устойчивость к транзакционным издержкам. Также тестируются способы задания уровней фиксации прибыли и ограничения убытков для торговли с дневной частотой.

Авторы сообщают, что все протестированные подходы превосходят соответствующие бенчмарки при предположении о реалистичных транзакционных издержках, а наиболее эффективные сочетания методов и параметров дают значительно лучшие показатели. Они также отмечают чувствительность к изменению некоторых ключевых параметров. В документе не указаны акции, период оценки, точные бенчмарки, предположения об издержках или диапазон чувствительности, что ограничивает независимую оценку и выводы об эффективности за пределами проверенной постановки.

Ключевые идеи

• Кластеризация графов используется для группировки акций в стратегии статистического арбитража между несколькими парами.
• Система объединяет классификаторы машинного обучения, количественные методы и критерий Келли.
• Выявление сигналов и контроль риска включают оптимизацию дневных правил фиксации прибыли и ограничения убытков.
• Авторы сообщают о превосходстве над бенчмарками при предположении о реалистичных транзакционных издержках.
• Заявленная эффективность чувствительна к изменению некоторых параметров, подробности которых не приводятся.

Теги

# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market


# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market









The study seeks to develop an effective strategy based on the novel framework of statistical arbitrage based on graph clustering algorithms. Amalgamation of quantitative and machine learning methods, including the Kelly criterion, and an ensemble of machine learning classifiers have been used to improve risk-adjusted returns and increase immunity to transaction costs over existing approaches. The study seeks to provide an integrated approach to optimal signal detection and risk management. As a part of this approach, innovative ways of optimizing take profit and stop loss functions for daily frequency trading strategies have been proposed and tested. All of the tested approaches outperformed appropriate benchmarks. The best combinations of the techniques and parameters demonstrated significantly better performance metrics than the relevant benchmarks. The results have been obtained under the assumption of realistic transaction costs, but are sensitive to changes in some key parameters.

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.