Оптимизация портфелей коинтелированных пар с помощью машинного обучения

Сводка

В работе сравниваются финансовая математика и машинное обучение при динамической оптимизации портфеля из двух связанных активов на конечном временном горизонте в непрерывном времени. Подход финансовой математики использует модель коинтеляции, предназначенную для объединения краткосрочного риска с долгосрочным равновесием, вместо высокой корреляции или коинтеграции, обычно применяемых в парном трейдинге. Стратегия динамически переключается между целями среднего—дисперсии и степенной полезности. Последняя формулируется как задача стохастического управления и решается численно с помощью уравнения Гамильтона—Якоби—Беллмана и метода Deep Galerkin.

Подход машинного обучения использует кластеризацию для определения диапазонов, после чего оптимизация проводится внутри них. В симуляциях, сгенерированных той же моделью коинтеляции, авторы сообщают о преимуществе машинного обучения над методом финансовой математики. Эти данные ограничиваются модельной генерацией в рамках принятой схемы; в отрывке нет проверки на рыночных данных, показателей эффективности или подробностей реализации. Следовательно, он не доказывает, что относительное преимущество сохранится при торговле на реальном счёте или при альтернативных процессах генерации данных.

Ключевые идеи

• В исследовании сравниваются финансовая математика и машинное обучение при динамическом формировании портфеля из двух связанных активов.
• Модель коинтеляции предназначена для представления и краткосрочного риска, и долгосрочного равновесия.
• Стратегия финансовой математики переключается между подходами среднего—дисперсии и степенной полезности.
• Задача степенной полезности решается численно с помощью уравнения HJB и метода Deep Galerkin.
• Метод машинного обучения на основе кластеризации превосходит подход финансовой математики в симуляциях той же модели.

Теги

# Portfolio Optimization for Cointelated Pairs: SDEs vs. Machine Learning


# Portfolio Optimization for Cointelated Pairs: SDEs vs. Machine Learning









With the recent rise of Machine Learning as a candidate to partially replace classic Financial Mathematics methodologies, we investigate the performances of both in solving the problem of dynamic portfolio optimization in continuous-time, finite-horizon setting for a portfolio of two assets that are intertwined. In Financial Mathematics approach we model the asset prices not via the common approaches used in pairs trading such as a high correlation or cointegration, but with the cointelation model that aims to reconcile both short-term risk and long-term equilibrium. We maximize the overall P&L with Financial Mathematics approach that dynamically switches between a mean-variance optimal strategy and a power utility maximizing strategy. We use a stochastic control formulation of the problem of power utility maximization and solve numerically the resulting HJB equation with the Deep Galerkin method. We turn to Machine Learning for the same P&L maximization problem and use clustering analysis to devise bands, combined with in-band optimization. Although this approach is model agnostic, results obtained with data simulated from the same cointelation model as FM give an edge to ML.

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.