Học tăng cường cho kinh doanh chênh lệch giá thống kê giữa các cặp cổ phiếu

Tóm tắt

Nghiên cứu này trình bày một khung học tăng cường phi mô hình cho hoạt động kinh doanh chênh lệch giá thống kê giữa các cặp cổ phiếu. Trước tiên, nghiên cứu xây dựng chênh lệch giá hồi quy về trung bình bằng cách chọn hệ số tài sản nhằm tối thiểu hóa thước đo thực nghiệm về thời gian để chênh lệch quay về mức trung bình. Cách này thay thế việc dựa vào giả định mô hình cố định bằng tiêu chí thời gian hồi quy quan sát được.

Để giao dịch, khung này dùng học tăng cường để chọn chiến lược hồi quy về trung bình. Trạng thái của mô hình bao gồm xu hướng biến động giá gần đây, thay vì chỉ dựa vào khoảng cách của chênh lệch so với trung bình dài hạn, còn phần thưởng được thiết kế phù hợp với đặc điểm của giao dịch hồi quy về trung bình. Phần mô tả được cung cấp trình bày thiết kế nhưng không nêu kết quả hiệu suất thực nghiệm, chi tiết huấn luyện hoặc so sánh với các chiến lược khác. Vì vậy, nội dung giải thích một cách tiếp cận nhưng chưa xác lập hiệu quả và độ vững trong thực tế.

Ý chính

• Khung này xây dựng chênh lệch giá giữa các cặp cổ phiếu bằng cách tối thiểu hóa thước đo thực nghiệm về thời gian để chênh lệch quay về mức trung bình.
• Hệ số tài sản được tối ưu hóa trong quá trình xây dựng chênh lệch.
• Học tăng cường được dùng để chọn hành động giao dịch cho chênh lệch.
• Biểu diễn trạng thái bao gồm xu hướng giá gần đây cũng như bối cảnh hồi quy về trung bình.
• Phần mô tả không báo cáo bằng chứng về hiệu suất hoặc chi tiết triển khai.

Thẻ

# 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.

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.