用于统计套利的端到端自编码器策略学习
文章 arXiv papers · 作者: Fabian Krause et al.
总结
本研究探索自编码器在 US 股票统计套利中的应用。在传统的两阶段流程中，定价模型或主成分模型先识别合成资产，再由独立的均值回复策略生成交易信号。作者首先在股票收益上训练标准自编码器，并围绕奥恩斯坦—乌伦贝克过程构建策略。随后，他们将自编码器嵌入投资组合策略的神经表示中，直接生成资产配置。
该组合模型通过反向传播风险调整后收益进行端到端训练，从而将表示学习与投资组合决策联系起来。据报告，该方法简化了策略开发，且毛收益高于所比较的替代方法。摘要没有提供评估时期、风险调整后收益或扣除成本后的结果、比较细节，也没有提供研究设定之外的表现证据。因此，报告的优势是一项研究发现，并非实盘盈利保证。
核心观点
- 论文将基于 US 股票收益训练的自编码器用于统计套利。
- 基准方法使用自编码器识别合成资产，并采用奥恩斯坦—乌伦贝克均值回复策略。
- 端到端架构将自编码器嵌入可直接输出投资组合配置的网络。
- 训练过程通过反向传播风险调整后的投资组合收益进行。
- 作者报告其毛收益高于其他方法，但摘要并未证明其净收益或实盘表现。
标签
全文
# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture # End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture In Statistical Arbitrage (StatArb), classical mean reversion trading strategies typically hinge on asset-pricing or PCA based models to identify the mean of a synthetic asset. Once such a (linear) model is identified, a separate mean reversion strategy is then devised to generate a trading signal. With a view of generalising such an approach and turning it truly data-driven, we study the utility of Autoencoder architectures in StatArb. As a first approach, we employ a standard Autoencoder trained on US stock returns to derive trading strategies based on the Ornstein-Uhlenbeck (OU) process. To further enhance this model, we take a policy-learning approach and embed the Autoencoder network into a neural network representation of a space of portfolio trading policies. This integration outputs portfolio allocations directly and is end-to-end trainable by backpropagation of the risk-adjusted returns of the neural policy. Our findings demonstrate that this innovative end-to-end policy learning approach not only simplifies the strategy development process, but also yields superior gross returns over its competitors illustrating the potential of end-to-end training over classical two-stage approaches.
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。