Графовое обучение и синтетические позиции для арбитража опционов

Сводка

В статье предложен двухэтапный метод выявления возможностей статистического арбитража на рынке опционов и торговли ими. Сначала задаётся целевая переменная для выявления чистого арбитража с помощью синтетических облигаций, а затем для её прогнозирования используется RNConv — архитектура графового обучения со структурой дерева. Среди причин разработки метода авторы называют табличный характер многих признаков и заявленную эффективность методов на основе деревьев для таких данных.

На втором этапе прогнозы преобразуются в синтетические длинные позиции под названием SLSA. При предположении об отсутствии арбитража в статье эти позиции описаны как имеющие минимальный риск и нейтральные к факторам риска Блэка — Шоулза. В экспериментах с опционами на индекс KOSPI 200 сообщается, что RNConv превосходит базовые модели графового обучения, а SLSA приносит положительную доходность; заявленный средний информационный коэффициент P&L на контракт составляет 0.1627. Эти результаты относятся к указанным данным и предпосылкам; краткое описание не подтверждает эффективность на других рынках опционов или при иных торговых издержках и условиях.

Ключевые идеи

• Метод прогнозирует целевой показатель, ориентированный на арбитраж и заданный с помощью синтетических облигаций.
• RNConv сочетает графовое обучение со структурой дерева для решения задачи прогнозирования.
• Преобразование SLSA переводит прогнозы модели в синтетические длинные позиции по опционам.
• При предположении об отсутствии арбитража SLSA описываются как позиции с минимальным риском, нейтральные к факторам риска Блэка — Шоулза.
• В тестах на опционах KOSPI 200 сообщается о превосходстве над базовыми моделями и положительной доходности SLSA, но применимость результатов в более широком контексте не показана.

Теги

# Statistical Arbitrage in Options Markets by Graph Learning and Synthetic Long Positions


# Statistical Arbitrage in Options Markets by Graph Learning and Synthetic Long Positions









Statistical arbitrages (StatArbs) driven by machine learning has garnered considerable attention in both academia and industry. Nevertheless, deep-learning (DL) approaches to directly exploit StatArbs in options markets remain largely unexplored. Moreover, prior graph learning (GL) -- a methodological basis of this paper -- studies overlooked that features are tabular in many cases and that tree-based methods outperform DL on numerous tabular datasets. To bridge these gaps, we propose a two-stage GL approach for direct identification and exploitation of StatArbs in options markets. In the first stage, we define a novel prediction target isolating pure arbitrages via synthetic bonds. To predict the target, we develop RNConv, a GL architecture incorporating a tree structure. In the second stage, we propose SLSA -- a class of positions comprising pure arbitrage opportunities. It is provably of minimal risk and neutral to all Black-Scholes risk factors under the arbitrage-free assumption. We also present the SLSA projection converting predictions into SLSA positions. Our experiments on KOSPI 200 index options show that RNConv statistically significantly outperforms GL baselines, and that SLSA consistently yields positive returns, achieving an average P&L-contract information ratio of 0.1627. Our approach offers a novel perspective on the prediction target and strategy for exploiting StatArbs in options markets through the lens of DL, in conjunction with a pioneering tree-based GL.

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.