跳至正文
返回文库全部文档

用于稳健统计套利的深度神经网络

文章 arXiv papers · 作者: Ariel Neufeld et al.
阅读原文

总结

本文介绍一种数据驱动方法，用于寻找在市场模型不确定的情况下仍力求保持盈利的统计套利策略。该方法使用深度神经网络同时考察多种证券，无需先识别协整配对。这使方法可以扩展到更高维的市场，以及传统配对交易可能效果不佳的情形。

该方法还根据观测到的市场数据构建一组可能的概率测度，以表示模型的不确定性。作者将这一方法称为无模型方法。他们报告了维度最高达 50 的实证研究，显示策略表现有利可图；研究情形包括金融危机期间，以及成对协整关系不再持续之后。摘录没有提供数据集、评估设计、成本假设或详细绩效指标，因此不足以评估实盘稳健性或复现研究结果。

核心观点

  • 深度神经网络用于在模型不确定性下识别统计套利策略。
  • 该方法可以同时考察多种证券，无需依赖协整配对。
  • 该方法根据观测数据推导出一组用于刻画模型歧义的合理概率测度。
  • 报告的实证研究包括危机时期，以及协整关系失效的情形。
  • 摘录未提供评估实用表现所需的测试细节和交易成本假设。

标签

套利配对交易机器学习统计学风险管理
全文
# Detecting data-driven robust statistical arbitrage strategies with deep neural networks


# Detecting data-driven robust statistical arbitrage strategies with deep neural networks









We present an approach, based on deep neural networks, that allows identifying robust statistical arbitrage strategies in financial markets. Robust statistical arbitrage strategies refer to trading strategies that enable profitable trading under model ambiguity. The presented novel methodology allows to consider a large amount of underlying securities simultaneously and does not depend on the identification of cointegrated pairs of assets, hence it is applicable on high-dimensional financial markets or in markets where classical pairs trading approaches fail. Moreover, we provide a method to build an ambiguity set of admissible probability measures that can be derived from observed market data. Thus, the approach can be considered as being model-free and entirely data-driven. We showcase the applicability of our method by providing empirical investigations with highly profitable trading performances even in 50 dimensions, during financial crises, and when the cointegration relationship between asset pairs stops to persist.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。