امریکی حصص میں متعدد جوڑوں کے شماریاتی آربیٹریج کے لیے گراف کلسٹرنگ

خلاصہ

یہ مطالعہ امریکی حصص کے لیے متعدد جوڑوں کا شماریاتی آربیٹریج فریم ورک تجویز کرتا ہے، جو حصص کے باہمی تعلقات شناخت کرنے کے لیے گراف کلسٹرنگ استعمال کرتا ہے۔ یہ مقداری طریقوں کو مشین لرننگ کے درجہ بندی ماڈلز اور کیلی معیار کے ساتھ ملاتا ہے، اور اس کا مقصد سگنل کی شناخت، خطرے کے انتظام اور لین دین کی لاگتوں کے باوجود کارکردگی برقرار رکھنے کو بہتر بنانا ہے۔ یہ طریقہ روزانہ کی ٹریڈنگ کے لیے منافع حاصل کرنے اور نقصان روکنے کے قواعد مقرر کرنے کے طریقے بھی آزماتا ہے۔

مصنفین کے مطابق، فرض کردہ حقیقت پسندانہ لین دین کی لاگت کے تحت آزمائے گئے تمام طریقے اپنے متعلقہ معیارِ موازنہ سے بہتر رہے، اور مضبوط ترین تکنیکوں اور پیرامیٹرز کے امتزاج نے کارکردگی کے پیمانوں میں نمایاں بہتری دکھائی۔ وہ بعض اہم پیرامیٹرز کی تبدیلیوں کے لیے حساسیت بھی بیان کرتے ہیں۔ دستاویز حصص، جائزے کی مدت، عین معیاراتِ موازنہ، لاگت کے مفروضے یا حساسیت کی حدود نہیں بتاتی، جس سے آزادانہ جائزہ اور آزمودہ صورت سے باہر کارکردگی کے بارے میں نتیجہ اخذ کرنا محدود ہوتا ہے۔

اہم خیالات

• متعدد جوڑوں کی شماریاتی آربیٹریج اسٹریٹیجی کے لیے حصص کو منظم کرنے میں گراف کلسٹرنگ استعمال ہوتی ہے۔
• فریم ورک مشین لرننگ کے درجہ بندی ماڈلز، مقداری طریقوں اور کیلی معیار کو ملاتا ہے۔
• سگنل کی شناخت اور خطرے کے کنٹرول میں روزانہ منافع حاصل کرنے اور نقصان روکنے کے قواعد بہتر بنانا شامل ہے۔
• مصنفین فرض کردہ حقیقت پسندانہ لین دین کی لاگت کے تحت معیارِ موازنہ سے بہتر کارکردگی کی اطلاع دیتے ہیں۔
• رپورٹ شدہ کارکردگی بعض پیرامیٹرز کی تبدیلیوں کے لیے حساس ہے، جن کی تفصیلات فراہم نہیں کی گئیں۔

ٹیگز

# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market


# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market









The study seeks to develop an effective strategy based on the novel framework of statistical arbitrage based on graph clustering algorithms. Amalgamation of quantitative and machine learning methods, including the Kelly criterion, and an ensemble of machine learning classifiers have been used to improve risk-adjusted returns and increase immunity to transaction costs over existing approaches. The study seeks to provide an integrated approach to optimal signal detection and risk management. As a part of this approach, innovative ways of optimizing take profit and stop loss functions for daily frequency trading strategies have been proposed and tested. All of the tested approaches outperformed appropriate benchmarks. The best combinations of the techniques and parameters demonstrated significantly better performance metrics than the relevant benchmarks. The results have been obtained under the assumption of realistic transaction costs, but are sensitive to changes in some key parameters.

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۔