پوشیدہ الفا ماڈلز میں سیکھنے کے ساتھ بہترین ٹریڈنگ

خلاصہ

یہ مقالہ بہترین ٹریڈنگ کا مطالعہ کرتا ہے، جب شماریاتی آربیٹریج کا سگنل پوشیدہ عوامل سے آتا ہے جو قیمتوں میں اچانک چھلانگ اور مسلسل پھیلاؤ پیدا کرتے ہیں۔ ٹریڈر کے آرڈرز کوٹ کی گئی قیمتوں اور عمل درآمد کی قیمتوں پر بھی اثر ڈال سکتے ہیں، اس لیے مسئلے میں مارکیٹ کی غیر یقینی حالتیں اور خود ٹریڈر کا قیمت پر اثر دونوں شامل ہیں۔ مجوزہ طریقہ پوشیدہ حالتوں کی بعد از مشاہدہ تقسیم پر نظر رکھتا ہے اور اسے ٹریڈنگ کا مسئلہ صراحت سے حل کرنے کے لیے استعمال کرتا ہے۔ حل کی تائید ایک توثیقی نظریے سے ہوتی ہے، جبکہ توقع اور زیادہ سے زیادہ کاری کے طریقے کی ایک قسم ماڈل کی پیمائش کا راستہ فراہم کرتی ہے۔

تخروپن میں سیکھنے کو مدنظر رکھنے والی اسٹریٹیجی کا موازنہ ان اسٹریٹیجیز سے کیا گیا ہے جو پوشیدہ حالتوں سے سیکھنے کو نظر انداز کرتی ہیں، اور مقالہ انٹیل کے اسٹاک سے حاصل کردہ ماڈل پیمائش کے نتائج بھی بیان کرتا ہے۔ یہ مثالیں طریقہ واضح کرتی ہیں، لیکن فراہم کردہ بیان عددی کارکردگی کے نتائج یا ماڈل کے مفروضوں کی تفصیل نہیں دیتا۔ لہٰذا نتائج ماڈلنگ اور حل کا ایک فریم ورک قائم کرتے ہیں، یہ نہیں دکھاتے کہ یہ مختلف مارکیٹس یا لائیو ٹریڈنگ کے حالات میں کیسا کام کرتا ہے۔

اہم خیالات

• پوشیدہ عوامل شماریاتی آربیٹریج میں استعمال ہونے والی قیمتوں میں چھلانگ اور پھیلاؤ دونوں پیدا کر سکتے ہیں۔
• ٹریڈر کے آرڈرز کوٹ کی گئی قیمتوں اور عمل درآمد کے دوران ملنے والی قیمتوں پر اثر ڈال سکتے ہیں۔
• اسٹریٹیجی پوشیدہ حالتوں کی بعد از مشاہدہ تقسیم سیکھتی ہے اور ٹریڈز منتخب کرنے کے لیے اسے استعمال کرتی ہے۔
• توثیقی نظریہ اور توقع و زیادہ سے زیادہ کاری کی ایک قسم حل اور ماڈل پیمائش کی تائید کرتی ہے۔
• تخروپن اس طریقے کا موازنہ ایسی اسٹریٹیجیز سے کرتے ہیں جو پوشیدہ حالتوں سے سیکھنے کو شامل نہیں کرتیں۔

ٹیگز

# Trading algorithms with learning in latent alpha models


# Trading algorithms with learning in latent alpha models









Alpha signals for statistical arbitrage strategies are often driven by latent factors. This paper analyses how to optimally trade with latent factors that cause prices to jump and diffuse. Moreover, we account for the effect of the trader's actions on quoted prices and the prices they receive from trading. Under fairly general assumptions, we demonstrate how the trader can learn the posterior distribution over the latent states, and explicitly solve the latent optimal trading problem. We provide a verification theorem, and a methodology for calibrating the model by deriving a variation of the expectation-maximization algorithm. To illustrate the efficacy of the optimal strategy, we demonstrate its performance through simulations and compare it to strategies which ignore learning in the latent factors. We also provide calibration results for a particular model using Intel Corporation stock as an example.

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۔