跳至正文
返回文库全部文档

配对股票统计套利的强化学习

文章 arXiv papers · 作者: Boming Ning et al.
阅读原文

总结

本研究提出一个无模型强化学习框架，用于配对股票之间的统计套利。首先，通过选择能使价差回归时间经验度量最小化的资产系数，构建均值回归价差。这一做法以观测到的回归时间标准替代对固定模型假设的依赖。

在交易环节，该框架使用强化学习选择均值回归策略。其状态包含近期价格走势，而不是仅依赖价差与长期均值之间的距离；其奖励函数则根据均值回归交易的特点设计。现有描述概述了该方法的设计，但没有给出实证绩效结果、训练细节或与其他策略的比较。因此，文章介绍了一种方法，但尚未证明其实际效果和稳健性。

核心观点

  • 该框架通过最小化回归时间的经验度量来构建配对股票价差。
  • 构建价差时会优化资产系数。
  • 该方法使用强化学习为价差选择交易操作。
  • 状态表示既包含近期价格趋势，也包含均值回归背景。
  • 描述未报告绩效证据或实施细节。

标签

股票配对交易均值回归机器学习
全文
# 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.

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。