متحرک شماریاتی آربیٹریج کے لیے لچکدار کم از کم مربعات
خلاصہ
یہ مقالہ وقت کے ساتھ بدلنے والی متعدد ڈیٹا اسٹریمز کے باہمی تعلقات کی ماڈلنگ کا جائزہ لیتا ہے۔ اس میں لچکدار کم از کم مربعات (FLS) پر توجہ ہے، جو ایسا جرمانہ شامل کرکے عام کم از کم مربعات میں ترمیم کرتا ہے جس سے رجریشن کے گتانک بدل سکتے ہیں، اور ان انحصارات کے لیے سخت احتمالی ماڈل درکار نہیں ہوتا۔ شماریاتی آربیٹریج اس کا محرک مالی اطلاق ہے۔
مصنفین FLS اور کلمان فلٹر کی مساوات کے درمیان الجبری مساوات دکھاتے ہیں؛ اس تعلق سے طریقے کو واضح کرکے زیادہ مؤثر الگورتھم تجویز کرتے ہیں۔ وہ ایس اینڈ پی 500 فیوچرز انڈیکس پر لاگو الگورتھمک ٹریڈنگ نظام کے امید افزا تجربات کی اطلاع دیتے ہیں۔ فراہم کردہ تفصیل میں ٹریڈنگ کے اصول، جائزے کی مدت، اخراجات، تقابلی معیار یا عددی کارکردگی نہیں، اس لیے عملی منافع کے شواہد محدود ہیں۔ بیان کردہ بنیادی حصہ متحرک تخمینے کا طریقہ اور فلٹرنگ کے طریقوں سے اس کا حسابی تعلق ہے۔
اہم خیالات
- FLS بدلتی ڈیٹا اسٹریمز کے تعلقات کا تخمینہ لگاتا ہے اور وقت کے ساتھ رجریشن گتانک بدلنے دیتا ہے۔
- اس کی جرمانہ شدہ کم از کم مربعات کی صورت بدلتے انحصارات پر سخت احتمالی قانون عائد نہیں کرتی۔
- مقالہ FLS اور کلمان فلٹر کی مساوات کے درمیان الجبری مساوات قائم کرتا ہے۔
- اس مساوات سے طریقہ سمجھایا اور زیادہ مؤثر الگورتھم کی تجویز کی گئی ہے۔
- ایس اینڈ پی 500 فیوچرز انڈیکس کے ٹریڈنگ نظام کے تجربات امید افزا بتائے گئے ہیں، مگر کارکردگی کے مفصل شواہد نہیں۔
ٹیگز
مکمل متن
# Flexible least squares for temporal data mining and statistical arbitrage # Flexible least squares for temporal data mining and statistical arbitrage A number of recent emerging applications call for studying data streams, potentially infinite flows of information updated in real-time. When multiple co-evolving data streams are observed, an important task is to determine how these streams depend on each other, accounting for dynamic dependence patterns without imposing any restrictive probabilistic law governing this dependence. In this paper we argue that flexible least squares (FLS), a penalized version of ordinary least squares that accommodates for time-varying regression coefficients, can be deployed successfully in this context. Our motivating application is statistical arbitrage, an investment strategy that exploits patterns detected in financial data streams. We demonstrate that FLS is algebraically equivalent to the well-known Kalman filter equations, and take advantage of this equivalence to gain a better understanding of FLS and suggest a more efficient algorithm. Promising experimental results obtained from a FLS-based algorithmic trading system for the S&P 500 Futures Index are reported.
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۔