Онлайн-оценивание средневозвратных спредов для статистического арбитража

Сводка

В работе разработан подход на основе модели пространства состояний для моделирования средневозвратных спредов, используемых в статистическом арбитраже, включая парный трейдинг. Наблюдаемые спреды рассматриваются как зашумлённые значения скрытых состояний, а оценки этих состояний в реальном времени применяются для выявления временных неэффективностей рынка. Подход расширяет более ранние линейные гауссовские модели пространства состояний, позволяя параметрам меняться со временем и адаптируя оценки к изменениям процесса генерации данных.

Авторы также предлагают алгоритм онлайн-оценивания, рассчитанный на непрерывную работу, в том числе с высокочастотными данными, и получение оценок неопределённости параметров. Они описывают эксперименты с использованием моделирования Монте-Карло и исторических данных по акциям, включая коинтеграционную связь между двумя биржевыми фондами. В документе нет показателей эффективности или анализа торговых издержек, поэтому он не доказывает, что выявленные неэффективности позволяют получить реализуемую избыточную доходность. Данные описаны в общих чертах, без достаточных подробностей для оценки устойчивости результатов.

Ключевые идеи

• Подход моделирует наблюдаемые спреды как зашумлённые реализации скрытых состояний в линейной гауссовской модели пространства состояний.
• Изменение параметров модели со временем позволяет адаптироваться к меняющимся данным.
• Онлайн-алгоритм оценивает скрытый спред и параметры в реальном времени.
• Оценки неопределённости параметров могут помочь отслеживать возврат спреда к среднему.
• Описаны примеры с моделированием Монте-Карло и историческими данными по акциям, включая коинтеграционную связь между двумя биржевыми фондами.

Теги

# Dynamic modeling of mean-reverting spreads for statistical arbitrage


# Dynamic modeling of mean-reverting spreads for statistical arbitrage









Statistical arbitrage strategies, such as pairs trading and its generalizations, rely on the construction of mean-reverting spreads enjoying a certain degree of predictability. Gaussian linear state-space processes have recently been proposed as a model for such spreads under the assumption that the observed process is a noisy realization of some hidden states. Real-time estimation of the unobserved spread process can reveal temporary market inefficiencies which can then be exploited to generate excess returns. Building on previous work, we embrace the state-space framework for modeling spread processes and extend this methodology along three different directions. First, we introduce time-dependency in the model parameters, which allows for quick adaptation to changes in the data generating process. Second, we provide an on-line estimation algorithm that can be constantly run in real-time. Being computationally fast, the algorithm is particularly suitable for building aggressive trading strategies based on high-frequency data and may be used as a monitoring device for mean-reversion. Finally, our framework naturally provides informative uncertainty measures of all the estimated parameters. Experimental results based on Monte Carlo simulations and historical equity data are discussed, including a co-integration relationship involving two exchange-traded funds.

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.