Онлайн-обучение для статистического арбитража без предположений о стационарности

Сводка

В документе представлен подход к статистическому арбитражу на основе онлайн-обучения. Он сопоставляется с известными стратегиями, основанными на моделях возврата к среднему, методы которых зависят от предположений, способных не выполняться для общих нестационарных стохастических процессов. Предлагаемый подход рассчитан на работу без этих предположений.

В документе утверждается, что метод обладает сильными гарантиями обучения, что предполагает теоретическую основу для адаптации по мере поступления данных. Однако в описании не указаны алгоритм, точный характер гарантий, правила торговли, а также способ учета портфельных и транзакционных издержек. Эмпирических результатов и сравнений тоже нет. Поэтому вклад представлен как общая методологическая альтернатива; имеющейся информации недостаточно, чтобы оценить практическую доходность или устойчивость метода на реальном рынке.

Ключевые идеи

• Традиционный статистический арбитраж часто опирается на модели возврата к среднему и связанные с ними предположения.
• Эти предположения могут не выполняться для общих нестационарных стохастических процессов.
• Предлагаемая альтернатива использует онлайн-обучение и не требует этих предположений.
• В документе заявлены сильные гарантии обучения, но не приведены подробности или эмпирическая оценка.

Теги

# Online Learning Algorithms for Statistical Arbitrage


# Online Learning Algorithms for Statistical Arbitrage









Statistical arbitrage is a class of financial trading strategies using mean reversion models. The corresponding techniques rely on a number of assumptions which may not hold for general non-stationary stochastic processes. This paper presents an alternative technique for statistical arbitrage based on online learning which does not require such assumptions and which benefits from strong learning guarantees.

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.