跳至正文
返回文库全部文档

无需平稳性假设的统计套利在线学习

文章 arXiv papers · 作者: Christopher Mohri
阅读原文

总结

本文档介绍一种用于统计套利的在线学习方法，并将其与常见的均值回归模型策略进行对比。后者依赖的假设可能不适用于一般的非平稳随机过程。拟议的替代方法旨在无需这些假设即可运行。

文档称该方法具有强学习保证，表明其在理论上能够随着数据到来而进行适应。然而，说明没有描述算法、具体保证、交易规则，也未说明如何处理组合和交易成本。文档同样没有提供实证结果或比较。因此，该方法被作为一种通用方法论替代方案提出；现有信息不足以评估其在实盘市场中的实际盈利能力或稳健性。

核心观点

  • 传统统计套利通常依赖均值回归模型及其假设。
  • 这些假设可能不适用于一般的非平稳随机过程。
  • 拟议的替代方法采用在线学习，无需这些假设。
  • 文档声称该方法具有强学习保证，但未提供细节或实证评估。

标签

套利均值回归机器学习统计学
全文
# Online Learning Algorithms for Statistical Arbitrage


# Online Learning Algorithms for Statistical Arbitrage









Statistical arbitrage is a class of financial trading strategies using mean reversion models. The corresponding techniques rely on a number of assumptions which may not hold for general non-stationary stochastic processes. This paper presents an alternative technique for statistical arbitrage based on online learning which does not require such assumptions and which benefits from strong learning guarantees.

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。