Lọc Kalman nơ-ron và dải Bollinger cho giao dịch cặp

Tóm tắt

Tài liệu trình bày KBPT, một chính sách giao dịch cặp kết hợp bộ lọc Kalman, tín hiệu dải Bollinger và mạng nơ-ron dựa trên kiến trúc KalmanNet. Các phiên bản truyền thống mô hình hóa mối quan hệ giữa hai tài sản như một quá trình không gian trạng thái tuyến tính có nhiễu Gaussian. Vì mô hình này có thể chỉ xấp xỉ hành vi của cặp tài sản, các chỉ báo và giao dịch tạo ra có thể không đáng tin cậy. Thay vào đó, KBPT sử dụng mô hình không gian trạng thái mở rộng cho phép đồng liên kết một phần và học cách cải thiện quá trình theo dõi.

Quá trình huấn luyện gồm hai giai đoạn: trước tiên, thuật toán theo dõi được tinh chỉnh mà không có mục tiêu giao dịch; sau đó, thuật toán được điều chỉnh để theo dõi các chỉ báo theo cách hướng đến tối đa hóa doanh thu, đồng thời xấp xỉ quyết định của dải Bollinger bằng một ánh xạ khả vi. Các tác giả báo cáo doanh thu cải thiện so với các chuẩn đối chiếu dựa trên mô hình và dựa trên dữ liệu trên nhiều tài sản. Mô tả không nêu danh sách tài sản, giai đoạn đánh giá, giả định về chi phí giao dịch hay kết quả định lượng, nên hạn chế khả năng đánh giá độ vững và mức độ liên quan đến giao dịch thực.

Ý chính

• Phương pháp bổ sung mạng nơ-ron dựa trên KalmanNet vào giao dịch cặp dùng bộ lọc Kalman và dải Bollinger.
• Mô hình không gian trạng thái mở rộng biểu diễn mối quan hệ tài sản dưới dạng đồng liên kết một phần.
• Quá trình huấn luyện trước tiên tinh chỉnh việc theo dõi độc lập, sau đó điều chỉnh theo các chỉ báo và mục tiêu doanh thu.
• Một ánh xạ khả vi xấp xỉ các quyết định giao dịch theo dải Bollinger.
• Các tác giả báo cáo doanh thu cao hơn các chuẩn đối chiếu dựa trên mô hình và dữ liệu trên một số tài sản.

Thẻ

# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading


# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading









Pairs trading is a family of trading techniques that determine their policies based on monitoring the relationships between pairs of assets. A common pairs trading approach relies on describing the pair-wise relationship as a linear Space State (SS) model with Gaussian noise. This representation facilitates extracting financial indicators with low complexity and latency using a Kalman Filter (KF), that are then processed using classic policies such as Bollinger Bands (BB). However, such SS models are inherently approximated and mismatched, often degrading the revenue. In this work, we propose KalmenNet-aided Bollinger bands Pairs Trading (KBPT), a deep learning aided policy that augments the operation of KF-aided BB trading. KBPT is designed by formulating an extended SS model for pairs trading that approximates their relationship as holding partial co-integration. This SS model is utilized by a trading policy that augments KF-BB trading with a dedicated neural network based on the KalmanNet architecture. The resulting KBPT is trained in a two-stage manner which first tunes the tracking algorithm in an unsupervised manner independently of the trading task, followed by its adaptation to track the financial indicators to maximize revenue while approximating BB with a differentiable mapping. KBPT thus leverages data to overcome the approximated nature of the SS model, converting the KF-BB policy into a trainable model. We empirically demonstrate that our proposed KBPT systematically yields improved revenue compared with model-based and data-driven benchmarks over various different assets.

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.