Перейти к содержимому
Все документы библиотеки

Графовое обучение для прогноза FX и статистического арбитража с учётом исполнения

Статья arXiv papers · Автор: Yoonsik Hong et al.
Читать оригинал

Сводка

Предлагаемый подход сочетает прогнозирование валютных курсов со статистическим арбитражем, учитывая задержку между наблюдением цен и исполнением сделок. На первом этапе курсы прогнозируются с помощью регрессии на рёбрах дискретного пространственно-временного графа: валюты выступают узлами, обменные курсы — признаками рёбер, а процентные ставки — признаками узлов. Такая структура призвана отражать связи между валютами и ставками.

На втором этапе арбитраж формулируется как задача стохастической оптимизации. Граф бирж и связей влияния между ними служит основой для принятия портфельных решений с поправкой на риск, а проекция и ReLU обеспечивают соблюдение ограничений, используя результаты модели прогнозирования. Авторы сообщают о статистически значимом снижении среднеквадратичной ошибки прогнозирования и более высоких информационном коэффициенте и коэффициенте Сортино для арбитража по сравнению с эталоном, а также об эмпирической проверке ограничений на арбитраж. В описании не указаны данные, построение эталона или период оценки, поэтому по одному этому тексту нельзя судить о применимости заявленных улучшений на более широком рынке.

Ключевые идеи

  • Прогнозирование FX моделируется как регрессия на рёбрах пространственно-временного графа валют и бирж.
  • Процентные ставки и обменные курсы входят в граф соответственно как признаки узлов и рёбер.
  • На этапе арбитража явно учитывается задержка между наблюдением цен и исполнением сделок.
  • Проекция и ReLU используются для соблюдения ограничений в рамках стохастической оптимизации.
  • Авторы сообщают о снижении ошибки прогнозирования и более высоких метриках с поправкой на риск, чем у эталона.

Теги

Валютный рынокАрбитражМашинное обучениеСтатистикаИсполнение ордеров
Полный текст
# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage


# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage









We propose a two-step graph learning approach for foreign exchange statistical arbitrages (FXSAs), addressing two key gaps in prior studies: the absence of graph-learning methods for foreign exchange rate prediction (FXRP) that leverage multi-currency and currency-interest rate relationships, and the disregard of the time lag between price observation and trade execution. In the first step, to capture complex multi-currency and currency-interest rate relationships, we formulate FXRP as an edge-level regression problem on a discrete-time spatiotemporal graph. This graph consists of currencies as nodes and exchanges as edges, with interest rates and foreign exchange rates serving as node and edge features, respectively. We then introduce a graph-learning method that leverages the spatiotemporal graph to address the FXRP problem. In the second step, we present a stochastic optimization problem to exploit FXSAs while accounting for the observation-execution time lag. To address this problem, we propose a graph-learning method that enforces constraints through projection and ReLU, maximizes risk-adjusted return by leveraging a graph with exchanges as nodes and influence relationships as edges, and utilizes the predictions from the FXRP method for the constraint parameters and node features. Moreover, we prove that our FXSA method satisfies empirical arbitrage constraints. The experimental results demonstrate that our FXRP method yields statistically significant improvements in mean squared error, and that the FXSA method achieves a 61.89% higher information ratio and a 45.51% higher Sortino ratio than a benchmark. Our approach provides a novel perspective on FXRP and FXSA within the context of graph learning.

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.