Оптимальная торговля с обучением в моделях скрытой альфы

Сводка

В статье исследуется оптимальная торговля, когда сигнал статистического арбитража формируют скрытые факторы, вызывающие скачки и диффузию цен. Заявки трейдера также могут влиять на котировки и цены исполнения, поэтому задача учитывает и неопределённость рыночного состояния, и собственное ценовое воздействие трейдера. Предлагаемый метод отслеживает апостериорное распределение скрытых состояний и использует его для явного решения торговой задачи. Решение обосновывается теоремой верификации, а для калибровки модели применяется вариант алгоритма ожидания — максимизации.

В симуляциях стратегия с обучением о скрытом состоянии сравнивается со стратегиями, которые такое обучение игнорируют; также в статье приводятся результаты калибровки на данных акций Intel. Эти примеры иллюстрируют подход, но в предоставленном описании нет численных результатов эффективности или подробностей о предположениях модели. Таким образом, результаты задают основу для моделирования и решения задачи, но не показывают, как метод работает на разных рынках или в условиях реальной торговли.

Ключевые идеи

• Скрытые факторы могут вызывать скачки и диффузию цен, используемых в статистическом арбитраже.
• Заявки трейдера могут влиять на котировки и цены, по которым исполняются сделки.
• Стратегия оценивает апостериорное распределение скрытых состояний и использует его при выборе сделок.
• Теорема верификации и вариант алгоритма ожидания — максимизации обосновывают решение задачи и калибровку.
• В симуляциях подход сравнивается со стратегиями, которые не учитывают обучение о скрытых состояниях.

Теги

# Trading algorithms with learning in latent alpha models


# Trading algorithms with learning in latent alpha models









Alpha signals for statistical arbitrage strategies are often driven by latent factors. This paper analyses how to optimally trade with latent factors that cause prices to jump and diffuse. Moreover, we account for the effect of the trader's actions on quoted prices and the prices they receive from trading. Under fairly general assumptions, we demonstrate how the trader can learn the posterior distribution over the latent states, and explicitly solve the latent optimal trading problem. We provide a verification theorem, and a methodology for calibrating the model by deriving a variation of the expectation-maximization algorithm. To illustrate the efficacy of the optimal strategy, we demonstrate its performance through simulations and compare it to strategies which ignore learning in the latent factors. We also provide calibration results for a particular model using Intel Corporation stock as an example.

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.