جوڑی والے اسٹاکس میں شماریاتی آربٹریج کے لیے تقویتی لرننگ
خلاصہ
یہ مطالعہ جوڑی والے اسٹاکس کے درمیان شماریاتی آربٹریج کے لیے ماڈل سے آزاد تقویتی لرننگ فریم ورک پیش کرتا ہے۔ پہلے یہ اثاثوں کے ایسے گتانک منتخب کرکے اوسط کی طرف رجعت کرنے والا اسپریڈ بناتا ہے جو اسپریڈ کو اوسط کی طرف واپس آنے میں لگنے والے وقت کے تجرباتی پیمانے کو کم سے کم کریں۔ یوں ایک مقررہ ماڈلی مفروضے پر انحصار کے بجائے مشاہدہ شدہ واپسی کے وقت کا معیار استعمال ہوتا ہے۔
ٹریڈنگ کے لیے فریم ورک اوسط کی طرف واپسی کی اسٹریٹیجی چننے کو تقویتی لرننگ استعمال کرتا ہے۔ اس کی حالت میں قیمت کی حالیہ حرکت کے رجحانات شامل ہیں، اور یہ صرف طویل مدتی اوسط سے اسپریڈ کے فاصلے پر انحصار نہیں کرتا؛ اس کا انعام بھی اوسط کی طرف واپسی والی ٹریڈنگ کی خصوصیات کے مطابق ہے۔ فراہم کردہ تفصیل ڈیزائن بیان کرتی ہے، مگر تجرباتی کارکردگی کے نتائج، تربیت کی تفصیلات یا دوسری اسٹریٹیجیز سے موازنہ نہیں دیتی۔ لہٰذا یہ طریقہ واضح کرتی ہے، مگر یہاں اس کی عملی افادیت اور مضبوطی ثابت نہیں۔
اہم خیالات
- فریم ورک اوسط کی طرف واپسی میں لگنے والے وقت کے تجرباتی پیمانے کو کم سے کم کرکے جوڑی والے اسٹاکس کے اسپریڈ بناتا ہے۔
- اسپریڈ کی تشکیل کے حصے کے طور پر اثاثوں کے گتانک بہتر کیے جاتے ہیں۔
- اسپریڈ کے لیے ٹریڈنگ کے اقدامات چننے میں تقویتی لرننگ استعمال ہوتی ہے۔
- حالت کی نمائندگی میں اوسط کی طرف رجعت کے سیاق کے ساتھ قیمت کے حالیہ رجحانات بھی شامل ہیں۔
- تفصیل میں کارکردگی کے شواہد یا نفاذ کی تفصیلات رپورٹ نہیں کی گئیں۔
ٹیگز
مکمل متن
# Advanced Statistical Arbitrage with Reinforcement Learning # Advanced Statistical Arbitrage with Reinforcement Learning Statistical arbitrage is a prevalent trading strategy which takes advantage of mean reverse property of spread of paired stocks. Studies on this strategy often rely heavily on model assumption. In this study, we introduce an innovative model-free and reinforcement learning based framework for statistical arbitrage. For the construction of mean reversion spreads, we establish an empirical reversion time metric and optimize asset coefficients by minimizing this empirical mean reversion time. In the trading phase, we employ a reinforcement learning framework to identify the optimal mean reversion strategy. Diverging from traditional mean reversion strategies that primarily focus on price deviations from a long-term mean, our methodology creatively constructs the state space to encapsulate the recent trends in price movements. Additionally, the reward function is carefully tailored to reflect the unique characteristics of mean reversion trading.
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۔