用于时序数据挖掘与统计套利的灵活最小二乘法
统计金融
2009-02-08 v1 应用统计
统计方法学
摘要
许多近期涌现的应用要求研究数据流，即实时更新的海量信息流。当观察到多个协同演化的数据流时，一项重要任务是确定这些流之间的依赖关系，同时考虑动态依赖模式，而不施加任何限制性的概率律来支配这种依赖。在本文中，我们认为灵活最小二乘法（FLS）作为一种能够适应时变回归系数的普通最小二乘法的惩罚版本，可以成功部署于此场景中。我们的动机应用是统计套利，这是一种利用在金融数据流中检测到的模式的投资策略。我们证明了 FLS 在代数上等价于众所周知的 Kalman 滤波方程，并利用这种等价性来更好地理解 FLS 并提出一种更高效的算法。报告了基于 FLS 的算法交易系统应用于标准普尔 500 指数期货（S&P 500 Futures Index）所获得的有前景的实验结果。
引用
@article{arxiv.0709.3884,
title = {Flexible least squares for temporal data mining and statistical arbitrage},
author = {Giovanni Montana and Kostas Triantafyllopoulos and Theodoros Tsagaris},
journal= {arXiv preprint arXiv:0709.3884},
year = {2009}
}
评论
28 pages, 6 figures, submitted to journal