مضبوط شماریاتی آربٹریج کے لیے ڈیپ نیورل نیٹ ورکس
خلاصہ
دستاویز مارکیٹ ماڈل کی غیر یقینی صورت میں منافع بخش رہنے کی کوشش کرنے والی شماریاتی آربٹریج اسٹریٹیجیز تلاش کرنے کے ڈیٹا پر مبنی طریقے کی وضاحت کرتی ہے۔ یہ کئی سیکیورٹیز کو اکٹھا دیکھنے کے لیے ڈیپ نیورل نیٹ ورکس استعمال کرتا ہے، اس طرح پہلے کوائنٹیگریٹڈ جوڑوں کی شناخت کی ضرورت نہیں رہتی۔ اس سے طریقہ اعلیٰ ابعاد والی مارکیٹوں اور ان حالات تک پھیلتا ہے جہاں روایتی جوڑیوں کی ٹریڈنگ اچھی طرح کام نہ کرے۔
یہ طریقہ ماڈل کی غیر یقینی صورت ظاہر کرنے کے لیے مشاہدہ شدہ مارکیٹ ڈیٹا سے ممکنہ احتمالی پیمانوں کا ایک مجموعہ بھی بناتا ہے۔ مصنفین اس طریقے کو ماڈل سے آزاد قرار دیتے ہیں۔ وہ 50 تک ابعاد میں منافع بخش کارکردگی کے تجرباتی جائزے رپورٹ کرتے ہیں، جن میں مالیاتی بحرانوں کے دوران اور جوڑیوں کے درمیان کوائنٹیگریشن تعلقات برقرار نہ رہنے کے بعد کے ادوار بھی شامل ہیں۔ اقتباس میں ڈیٹاسیٹس، جانچ کا ڈیزائن، لاگت کے مفروضے یا کارکردگی کے تفصیلی پیمانے نہیں، اس لیے لائیو ٹریڈنگ میں مضبوطی جانچنے یا نتائج دہرانے کے لیے یہ معلومات کافی نہیں۔
اہم خیالات
- ڈیپ نیورل نیٹ ورکس ماڈل کی غیر یقینی صورت میں شماریاتی آربٹریج اسٹریٹیجیز شناخت کرنے کے لیے استعمال ہوتے ہیں۔
- یہ طریقہ کوائنٹیگریٹڈ جوڑوں کی ضرورت کے بغیر کئی سیکیورٹیز کو زیر غور لا سکتا ہے۔
- ماڈل کی غیر یقینی کو ظاہر کرنے والے ممکنہ احتمالی پیمانوں کا ایک مجموعہ مشاہدہ شدہ ڈیٹا سے اخذ کیا جاتا ہے۔
- رپورٹ کردہ تجرباتی جائزوں میں بحرانی ادوار اور کوائنٹیگریشن ٹوٹنے کے بعد کے حالات شامل ہیں۔
- عملی کارکردگی جانچنے کے لیے درکار ٹیسٹنگ کی تفصیلات اور ٹریڈنگ لاگت کے مفروضے اقتباس میں موجود نہیں۔
ٹیگز
مکمل متن
# Detecting data-driven robust statistical arbitrage strategies with deep neural networks # Detecting data-driven robust statistical arbitrage strategies with deep neural networks We present an approach, based on deep neural networks, that allows identifying robust statistical arbitrage strategies in financial markets. Robust statistical arbitrage strategies refer to trading strategies that enable profitable trading under model ambiguity. The presented novel methodology allows to consider a large amount of underlying securities simultaneously and does not depend on the identification of cointegrated pairs of assets, hence it is applicable on high-dimensional financial markets or in markets where classical pairs trading approaches fail. Moreover, we provide a method to build an ambiguity set of admissible probability measures that can be derived from observed market data. Thus, the approach can be considered as being model-free and entirely data-driven. We showcase the applicability of our method by providing empirical investigations with highly profitable trading performances even in 50 dimensions, during financial crises, and when the cointegration relationship between asset pairs stops to persist.
ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0
یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔