Bình phương tối thiểu linh hoạt cho chênh lệch giá thống kê động

Tóm tắt

Bài nghiên cứu xem xét cách mô hình hóa các mối quan hệ thay đổi theo thời gian giữa nhiều luồng dữ liệu. Nghiên cứu tập trung vào bình phương tối thiểu linh hoạt (FLS), phương pháp điều chỉnh bình phương tối thiểu thông thường bằng một khoản phạt cho phép các hệ số hồi quy thay đổi mà không cần áp đặt mô hình xác suất hạn chế cho những mối phụ thuộc đó. Chênh lệch giá thống kê là ứng dụng tài chính tạo động lực cho nghiên cứu.

Các tác giả chứng minh sự tương đương đại số giữa FLS và các phương trình bộ lọc Kalman, dùng mối liên hệ này để làm rõ phương pháp và đề xuất một thuật toán hiệu quả hơn. Họ báo cáo các thử nghiệm đầy hứa hẹn từ hệ thống giao dịch thuật toán áp dụng cho Chỉ số hợp đồng tương lai S&P 500. Phần mô tả được cung cấp không nêu quy tắc giao dịch, giai đoạn đánh giá, chi phí, tiêu chuẩn so sánh hoặc hiệu suất định lượng, nên chỉ cung cấp bằng chứng hạn chế về khả năng sinh lời thực tế. Đóng góp chính như được mô tả là phương pháp ước lượng động và mối liên hệ tính toán của nó với các phương pháp lọc.

Ý chính

• FLS ước lượng mối quan hệ giữa các luồng dữ liệu biến đổi, đồng thời cho phép hệ số hồi quy thay đổi theo thời gian.
• Công thức bình phương tối thiểu có phạt tránh áp đặt quy luật xác suất hạn chế lên các mối phụ thuộc thay đổi.
• Bài nghiên cứu xác lập sự tương đương đại số giữa FLS và các phương trình bộ lọc Kalman.
• Sự tương đương này được dùng để giải thích phương pháp và đề xuất một thuật toán hiệu quả hơn.
• Các thử nghiệm trên hệ thống giao dịch chỉ số hợp đồng tương lai S&P 500 được mô tả là đầy hứa hẹn, nhưng thiếu bằng chứng hiệu suất chi tiết.

Thẻ

# 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.

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.