结合布林带与神经增强卡尔曼滤波的配对交易方法
交易与市场微观结构
2023-09-04 v2 机器学习
信号处理
摘要
配对交易是一类通过监测资产对之间关系来制定策略的交易技术。一种常见的配对交易方法将 pairwise 关系描述为带有高斯噪声的线性状态空间(SS)模型。该表示有助于使用卡尔曼滤波(KF)以低复杂度和低延迟提取金融指标,随后使用布林带(BB)等经典策略进行处理。然而,此类SS模型本质上存在近似与失配,常导致收益下降。本工作中,我们提出KalmenNet辅助布林带配对交易(KBPT),一种深度学习辅助策略,用于增强KF辅助BB交易的操作。KBPT通过构建配对交易的扩展SS模型来设计,该模型将资产关系近似为具有部分协整性。该SS模型由一个基于KalmanNet架构的专用神经网络增强KF-BB交易的交易策略所利用。所得KBPT以两阶段方式训练:首先以无监督方式独立于交易任务调优跟踪算法,随后将其适配以跟踪金融指标,在通过可微映射近似BB的同时最大化收益。因此,KBPT利用数据克服SS模型的近似性,将KF-BB策略转化为可训练模型。我们经实证表明,相较于基于模型与数据驱动的基准,所提KBPT在各种不同资产上系统性地产生了更高收益。
引用
@article{arxiv.2210.15448,
title = {Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading},
author = {Amit Milstein and Haoran Deng and Guy Revach and Hai Morgenstern and Nir Shlezinger},
journal= {arXiv preprint arXiv:2210.15448},
year = {2023}
}
备注
Submitted to Transactions on Signal Processing