Нейронная фильтрация Калмана и полосы Боллинджера для парной торговли

Сводка

В документе представлена KBPT — политика парной торговли, объединяющая фильтр Калмана, сигналы полос Боллинджера и нейронную сеть на основе архитектуры KalmanNet. В традиционных версиях связь между двумя активами моделируется как линейный процесс в пространстве состояний с гауссовским шумом. Поскольку такая модель может лишь приближённо описывать поведение пары, полученные индикаторы и сделки могут быть ненадёжными. В KBPT вместо этого используется расширенная модель пространства состояний, допускающая частичную коинтеграцию и обучаемая улучшать процесс отслеживания.

Обучение проходит в два этапа: сначала алгоритм отслеживания настраивается без торговой цели, затем его адаптируют для отслеживания индикаторов с целью максимизировать доход, приближая решения полос Боллинджера с помощью дифференцируемого отображения. Авторы сообщают о более высоком доходе по сравнению с моделями и методами на основе данных для разных активов. В описании не приведены список активов, период оценки, предположения о транзакционных издержках или количественные результаты, что затрудняет оценку устойчивости и применимости к реальной торговле.

Ключевые идеи

• Метод дополняет парную торговлю с фильтром Калмана и полосами Боллинджера нейронной сетью на основе KalmanNet.
• Расширенная модель пространства состояний описывает связь между активами как частично коинтегрированную.
• На первом этапе обучение настраивает отслеживание отдельно, а затем адаптирует его к индикаторам и целям дохода.
• Дифференцируемое отображение приближает торговые решения на основе полос Боллинджера.
• Авторы сообщают о более высоком доходе, чем у методов на основе моделей и данных, для нескольких активов.

Теги

# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading


# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading









Pairs trading is a family of trading techniques that determine their policies based on monitoring the relationships between pairs of assets. A common pairs trading approach relies on describing the pair-wise relationship as a linear Space State (SS) model with Gaussian noise. This representation facilitates extracting financial indicators with low complexity and latency using a Kalman Filter (KF), that are then processed using classic policies such as Bollinger Bands (BB). However, such SS models are inherently approximated and mismatched, often degrading the revenue. In this work, we propose KalmenNet-aided Bollinger bands Pairs Trading (KBPT), a deep learning aided policy that augments the operation of KF-aided BB trading. KBPT is designed by formulating an extended SS model for pairs trading that approximates their relationship as holding partial co-integration. This SS model is utilized by a trading policy that augments KF-BB trading with a dedicated neural network based on the KalmanNet architecture. The resulting KBPT is trained in a two-stage manner which first tunes the tracking algorithm in an unsupervised manner independently of the trading task, followed by its adaptation to track the financial indicators to maximize revenue while approximating BB with a differentiable mapping. KBPT thus leverages data to overcome the approximated nature of the SS model, converting the KF-BB policy into a trainable model. We empirically demonstrate that our proposed KBPT systematically yields improved revenue compared with model-based and data-driven benchmarks over various different assets.

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.