潜在 Alpha 模型中的学习型最优交易
文章 arXiv papers · 作者: Philippe Casgrain et al.
总结
本文研究统计套利信号来自导致价格跳跃和扩散的隐藏因子时，如何实现最优交易。交易者的订单也可能影响报价和成交价，因此该问题同时包含不确定的市场状态和交易者自身的价格冲击。所提方法跟踪潜在状态的后验分布，并据此明确求解交易问题。验证定理为解提供支持，而期望最大化算法的一个变体则用于校准模型。
模拟将考虑学习的策略与忽略潜在状态学习的策略进行比较，论文还报告了使用英特尔股票所得的校准结果。这些示例展示了该方法，但所提供的描述没有给出数值表现结果或模型假设的细节。因此，研究结果建立的是建模和求解框架，并未说明该方法在不同市场或实盘交易条件下的表现。
核心观点
- 潜在因子可能同时驱动统计套利所用价格的跳跃和扩散。
- 交易者的订单可能影响报价和执行时获得的价格。
- 该策略学习隐藏状态的后验分布，并据此决定交易。
- 验证定理和期望最大化算法变体为求解和校准提供支持。
- 模拟将该方法与不考虑潜在状态学习的策略进行比较。
标签
全文
# Trading algorithms with learning in latent alpha models # Trading algorithms with learning in latent alpha models Alpha signals for statistical arbitrage strategies are often driven by latent factors. This paper analyses how to optimally trade with latent factors that cause prices to jump and diffuse. Moreover, we account for the effect of the trader's actions on quoted prices and the prices they receive from trading. Under fairly general assumptions, we demonstrate how the trader can learn the posterior distribution over the latent states, and explicitly solve the latent optimal trading problem. We provide a verification theorem, and a methodology for calibrating the model by deriving a variation of the expectation-maximization algorithm. To illustrate the efficacy of the optimal strategy, we demonstrate its performance through simulations and compare it to strategies which ignore learning in the latent factors. We also provide calibration results for a particular model using Intel Corporation stock as an example.
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。