Học đồ thị và vị thế tổng hợp cho kinh doanh chênh lệch giá thống kê quyền chọn

Tóm tắt

Bài nghiên cứu đề xuất phương pháp hai giai đoạn để nhận diện và giao dịch các cơ hội kinh doanh chênh lệch giá thống kê trên thị trường quyền chọn. Trước tiên, bài nghiên cứu xác định mục tiêu dự báo nhằm cô lập cơ hội kinh doanh chênh lệch giá thuần túy bằng trái phiếu tổng hợp, sau đó dùng RNConv, một kiến trúc học đồ thị có tích hợp cấu trúc dạng cây, để dự báo mục tiêu đó. Lý do được đưa ra bao gồm tính chất dạng bảng của nhiều đặc trưng và hiệu quả được báo cáo của các phương pháp dựa trên cây với loại dữ liệu này.

Ở giai đoạn thứ hai, dự báo được chuyển thành các vị thế mua tổng hợp gọi là SLSA. Theo giả định không có chênh lệch của bài nghiên cứu, các vị thế này được mô tả là có rủi ro tối thiểu và trung lập với các yếu tố rủi ro Black–Scholes. Các thử nghiệm trên quyền chọn chỉ số KOSPI 200 báo cáo rằng RNConv vượt trội hơn các chuẩn cơ sở học đồ thị và SLSA tạo ra lợi suất dương, với tỷ lệ thông tin P&L trên hợp đồng trung bình được nêu là 0.1627. Các kết quả này chỉ áp dụng cho bộ dữ liệu và giả định được báo cáo; phần tóm tắt không xác lập hiệu suất trên các thị trường quyền chọn khác hoặc trong điều kiện và chi phí giao dịch khác.

Ý chính

• Phương pháp dự báo một mục tiêu tập trung vào kinh doanh chênh lệch giá, được xác định bằng trái phiếu tổng hợp.
• RNConv kết hợp học đồ thị với cấu trúc dạng cây để xử lý nhiệm vụ dự báo.
• Phép chuyển đổi SLSA biến dự báo của mô hình thành các vị thế mua quyền chọn tổng hợp.
• Theo giả định không có chênh lệch, SLSA được mô tả là có rủi ro tối thiểu và trung lập với các yếu tố rủi ro Black–Scholes.
• Thử nghiệm trên quyền chọn KOSPI 200 báo cáo hiệu suất vượt chuẩn cơ sở và lợi suất SLSA dương, nhưng chưa cho thấy khả năng khái quát rộng hơn.

Thẻ

# Statistical Arbitrage in Options Markets by Graph Learning and Synthetic Long Positions


# Statistical Arbitrage in Options Markets by Graph Learning and Synthetic Long Positions









Statistical arbitrages (StatArbs) driven by machine learning has garnered considerable attention in both academia and industry. Nevertheless, deep-learning (DL) approaches to directly exploit StatArbs in options markets remain largely unexplored. Moreover, prior graph learning (GL) -- a methodological basis of this paper -- studies overlooked that features are tabular in many cases and that tree-based methods outperform DL on numerous tabular datasets. To bridge these gaps, we propose a two-stage GL approach for direct identification and exploitation of StatArbs in options markets. In the first stage, we define a novel prediction target isolating pure arbitrages via synthetic bonds. To predict the target, we develop RNConv, a GL architecture incorporating a tree structure. In the second stage, we propose SLSA -- a class of positions comprising pure arbitrage opportunities. It is provably of minimal risk and neutral to all Black-Scholes risk factors under the arbitrage-free assumption. We also present the SLSA projection converting predictions into SLSA positions. Our experiments on KOSPI 200 index options show that RNConv statistically significantly outperforms GL baselines, and that SLSA consistently yields positive returns, achieving an average P&L-contract information ratio of 0.1627. Our approach offers a novel perspective on the prediction target and strategy for exploiting StatArbs in options markets through the lens of DL, in conjunction with a pioneering tree-based GL.

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.