شماریاتی آربیٹریج کے لیے اینڈ ٹو اینڈ آٹواینکوڈر پالیسی لرننگ

خلاصہ

یہ مطالعہ US کے حصص میں شماریاتی آربیٹریج کے لیے آٹواینکوڈرز کا جائزہ لیتا ہے۔ روایتی دو مرحلوں کے طریقۂ کار میں قیمت بندی کا ماڈل یا پرنسپل کمپوننٹ ماڈل ایک مصنوعی اثاثے کی شناخت کرتا ہے، جبکہ ایک الگ اوسط کی طرف واپسی کی اسٹریٹیجی ٹریڈنگ سگنل بناتی ہے۔ مصنفین پہلے حصص کے ریٹرنز پر ایک معیاری آٹواینکوڈر کو تربیت دیتے ہیں اور Ornstein-Uhlenbeck عمل کے گرد اسٹریٹیجیاں بناتے ہیں۔ پھر وہ آٹواینکوڈر کو پورٹ فولیو پالیسیوں کی ایک عصبی نمائندگی میں شامل کرتے ہیں جو براہ راست تخصیصات پیدا کرتی ہے۔

مشترکہ ماڈل کو خطرے کے لحاظ سے درست کردہ منافع کی بیک پروپیگیشن سے اینڈ ٹو اینڈ تربیت دی جاتی ہے، یوں نمائندگی سیکھنے کو پورٹ فولیو فیصلوں سے جوڑا جاتا ہے۔ رپورٹ کردہ نتائج کے مطابق یہ طریقہ اسٹریٹیجی کی تیاری آسان کرتا ہے اور موازنے کے متبادل طریقوں سے زیادہ مجموعی منافع حاصل کرتا ہے۔ خلاصے میں جانچ کا دورانیہ، خطرے کے لحاظ سے درست یا لاگت کے بعد کے نتائج، موازنے کی تفصیل یا مطالعے سے باہر کارکردگی کے شواہد نہیں ہیں۔ اس لیے رپورٹ شدہ برتری تحقیقی نتیجہ ہے، لائیو منافع کی ضمانت نہیں۔

اہم خیالات

• مقالہ US کے حصص کے ریٹرن پر تربیت یافتہ آٹواینکوڈرز کو شماریاتی آربیٹریج کے لیے استعمال کرتا ہے۔
• بنیادی طریقہ مصنوعی اثاثہ شناخت کرنے کے لیے آٹواینکوڈر اور اوسط کی طرف واپسی کے لیے Ornstein-Uhlenbeck اسٹریٹیجی استعمال کرتا ہے۔
• اینڈ ٹو اینڈ ساخت آٹواینکوڈر کو ایسے نیٹ ورک میں شامل کرتی ہے جو براہِ راست پورٹ فولیو تخصیصات دیتا ہے۔
• تربیت میں خطرے کے لحاظ سے درست کردہ پورٹ فولیو منافع کی بیک پروپیگیشن استعمال ہوتی ہے۔
• مصنفین موازنے کے طریقوں سے زیادہ مجموعی منافع رپورٹ کرتے ہیں، مگر خلاصہ خالص یا لائیو کارکردگی ثابت نہیں کرتا۔

ٹیگز

# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture


# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture









In Statistical Arbitrage (StatArb), classical mean reversion trading strategies typically hinge on asset-pricing or PCA based models to identify the mean of a synthetic asset. Once such a (linear) model is identified, a separate mean reversion strategy is then devised to generate a trading signal. With a view of generalising such an approach and turning it truly data-driven, we study the utility of Autoencoder architectures in StatArb. As a first approach, we employ a standard Autoencoder trained on US stock returns to derive trading strategies based on the Ornstein-Uhlenbeck (OU) process. To further enhance this model, we take a policy-learning approach and embed the Autoencoder network into a neural network representation of a space of portfolio trading policies. This integration outputs portfolio allocations directly and is end-to-end trainable by backpropagation of the risk-adjusted returns of the neural policy. Our findings demonstrate that this innovative end-to-end policy learning approach not only simplifies the strategy development process, but also yields superior gross returns over its competitors illustrating the potential of end-to-end training over classical two-stage approaches.

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۔