Học chính sách đầu cuối bằng autoencoder cho kinh doanh chênh lệch thống kê

Tóm tắt

Nghiên cứu này tìm hiểu việc dùng bộ tự mã hóa cho kinh doanh chênh lệch thống kê trên cổ phiếu US. Trong quy trình hai giai đoạn thông thường, mô hình định giá hoặc thành phần chính xác định một tài sản tổng hợp, còn một chiến lược hồi quy về trung bình riêng tạo tín hiệu giao dịch. Trước tiên, các tác giả huấn luyện bộ tự mã hóa tiêu chuẩn trên lợi suất cổ phiếu và xây dựng chiến lược dựa trên quá trình Ornstein-Uhlenbeck. Sau đó, họ đưa bộ tự mã hóa vào một biểu diễn mạng nơ-ron của các chính sách danh mục, trực tiếp tạo ra phân bổ.

Mô hình kết hợp được huấn luyện đầu cuối bằng cách lan truyền ngược lợi suất đã điều chỉnh theo rủi ro, kết nối việc học biểu diễn với các quyết định danh mục. Các phát hiện được báo cáo cho thấy cách tiếp cận này đơn giản hóa việc phát triển chiến lược và đạt lợi suất gộp cao hơn các phương án được so sánh. Phần tóm tắt không nêu giai đoạn đánh giá, kết quả đã điều chỉnh theo rủi ro hoặc sau chi phí, chi tiết so sánh hay bằng chứng về hiệu quả ngoài bối cảnh nghiên cứu. Vì vậy, lợi thế được báo cáo là một phát hiện nghiên cứu, không phải bảo đảm sinh lời trong giao dịch thực.

Ý chính

• Bài nghiên cứu áp dụng bộ tự mã hóa được huấn luyện trên lợi suất cổ phiếu US vào kinh doanh chênh lệch thống kê.
• Cách tiếp cận cơ sở dùng bộ tự mã hóa để xác định tài sản tổng hợp và chiến lược hồi quy về trung bình Ornstein-Uhlenbeck.
• Kiến trúc đầu cuối tích hợp bộ tự mã hóa vào mạng trực tiếp xuất ra phân bổ danh mục.
• Quá trình huấn luyện dùng lan truyền ngược lợi suất danh mục đã điều chỉnh theo rủi ro.
• Các tác giả báo cáo lợi suất gộp cao hơn đối thủ, nhưng phần tóm tắt không chứng minh hiệu quả ròng hay hiệu quả giao dịch thực.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.