لایب سان

  1. خانه
  2. کسب و کار و اقتصاد
  3. دانلود کتاب A Machine Learning based Pairs Trading Investment Strategy - Original PDF
A Machine Learning based Pairs Trading Investment Strategy - Original PDF

دانلود کتاب A Machine Learning based Pairs Trading Investment Strategy - Original PDF

Author: Simão Moraes Sarmento, Nuno Horta

0 (0)

توضیحات کتاب :

This book investigates the application of promising machine learning techniques to address two problems: (i) how to find profitable pairs while constraining the search space and (ii) how to avoid long decline periods due to prolonged divergent pairs. It also proposes the integration of an unsupervised learning algorithm, OPTICS, to handle problem (i), and demonstrates that the suggested technique can outperform the common pairs search methods, achieving an average portfolio Sharpe ratio of 3.79, in comparison to 3.58 and 2.59 obtained using standard approaches. For problem (ii), the authors introduce a forecasting-based trading model capable of reducing the periods of portfolio decline by 75%. However, this comes at the expense of decreasing overall profitability. The authors also test the proposed strategy using an ARMA model, an LSTM and an LSTM encoder-decoder.

سرچ در وردکت | سرچ در گودریدز | سرچ در اب بوکز | سرچ در آمازون | سرچ در گوگل بوک

638 بازدید 0 خرید

پیش نمایش
ضمانت بازگشت

ضمانت بازگشت

فایل های تست شده

فایل های تست شده

پرداخت آنلاین

پرداخت آنلاین

تضمین کیفیت

تضمین کیفیت

دانلود فوری

دانلود فوری

Pairs Trading is a well-known investment strategy developed in the 1980s. It has been employed as one important long/short equity investment tool by hedge funds and institutional investors Cavalcante et al. [2], and is a fundamental topic in this work. This strategy comprises two steps. First, it requires the identification of two securities, for example two stocks, for which the corresponding prices series display a similar behaviour, or simply seem to be linked to each other. Ultimately, this indicates that both securities are exposed to related risk factors and tend to react in an identical way. Figure 1.1 illustrates how this behaviour can be found in some popular stocks. In Figure 1.1a, we may observe how the price series from two car manufacturers seem to be tied to each other. The same behaviour is also illustrated in Figure 1.1b, this time illustrating the price series of two of the biggest retail stores in the United States. Two securities that verify an equilibrium relation between their price series can compose a pair. 1 Once the pairs have been identified, the investor may proceed with the strategy’s second step. The underlying premise is that if two securities’ price series have been moving close in the past, then this should persist in the future. Therefore, if an irreg- ularity occurs, it should provide an interesting trade opportunity to profit from its correction. To find such opportunities, the spread 2 between the two constituents of the pairs must be continuously monitored. When a statistical anomaly is detected, a market position is entered. The position is exited upon an eventual spread correc- tion. It is interesting to observe that this strategy relies on the relative value of two securities, regardless of their absolute value.

چکیده فارسی

 

تجارت جفتی یک استراتژی سرمایه گذاری شناخته شده است که در دهه 1980 توسعه یافت. این به عنوان یکی از ابزارهای مهم سرمایه گذاری بلند/کوتاه سهام توسط صندوق های تامینی و سرمایه گذاران نهادی کاوالکانته و همکاران به کار گرفته شده است. [2]، و موضوعی اساسی در این اثر است. این استراتژی شامل دو مرحله است. اول، نیاز به شناسایی دو اوراق بهادار دارد، برای مثال دو سهام، که سری قیمت‌های مربوطه رفتار مشابهی را نشان می‌دهند، یا صرفاً به نظر می‌رسد که به یکدیگر مرتبط هستند. در نهایت، این نشان می دهد که هر دو اوراق بهادار در معرض عوامل خطر مرتبط هستند و تمایل دارند به روشی مشابه واکنش نشان دهند. شکل 1.1 نشان می دهد که چگونه می توان این رفتار را در برخی از سهام محبوب یافت. در شکل 1.1a، ممکن است مشاهده کنیم که چگونه سری قیمت دو خودروساز به نظر می رسد که به یکدیگر گره خورده است. همین رفتار نیز در شکل 1.1b نشان داده شده است، این بار سری قیمت دو تا از بزرگترین فروشگاه های خرده فروشی در ایالات متحده را نشان می دهد. دو اوراق بهادار که رابطه تعادلی بین سری قیمت خود را تأیید می کنند، می توانند یک جفت را تشکیل دهند. 1 هنگامی که جفت ها شناسایی شدند، سرمایه گذار می تواند مرحله دوم استراتژی را ادامه دهد. فرض اساسی این است که اگر دو سری قیمت اوراق بهادار در گذشته نزدیک شده باشند، این وضعیت باید در آینده نیز ادامه داشته باشد. بنابراین، اگر یک بی‌نظمی رخ دهد، باید فرصت تجاری جالبی برای سود بردن از اصلاح آن فراهم کند. برای یافتن چنین فرصت هایی، اسپرد 2 بین دو جزء تشکیل دهنده جفت ها باید به طور مداوم نظارت شود. هنگامی که یک ناهنجاری آماری شناسایی می شود، یک موقعیت بازار وارد می شود. این موقعیت پس از یک تصحیح اسپرد نهایی خارج می شود. جالب است که مشاهده کنید که این استراتژی بر ارزش نسبی دو اوراق بهادار، صرف نظر از ارزش مطلق آنها تکیه دارد.

 

ادامه ...

Author(s): Simão Moraes Sarmento, Nuno Horta

Series: SpringerBriefs in Applied Sciences and Technology

Publisher: Springer, Year: 2020

ISBN: 3030472507,9783030472504

 

ادامه ...

Contents 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 Topic Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3 Outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2 Pairs Trading—Background and Related Work . . . . . . . . . . . . . . . . 7 2.1 Mean-Reversion and Stationarity . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.1.1 Augmented Dickey-Fuller Test . . . . . . . . . . . . . . . . . . . . . 8 2.1.2 Hurst Exponent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.1.3 Half-Life of Mean-Reversion . . . . . . . . . . . . . . . . . . . . . . 9 2.1.4 Cointegration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.2 Pairs Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2.1 The Minimum Distance Approach . . . . . . . . . . . . . . . . . . 11 2.2.2 The Correlation Approach . . . . . . . . . . . . . . . . . . . . . . . . 12 2.2.3 The Cointegration Approach . . . . . . . . . . . . . . . . . . . . . . . 13 2.2.4 Other Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.3 Trading Execution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.3.1 Threshold-Based Trading Model . . . . . . . . . . . . . . . . . . . . 14 2.3.2 Other Trading Models in the Literature . . . . . . . . . . . . . . . 15 2.4 The Application of Machine Learning in Pairs Trading . . . . . . . . . 16 2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 3 Proposed Pairs Selection Framework . . . . . . . . . . . . . . . . . . . . . . . . 21 3.1 Problem Statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.2 Proposed Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.3 Dimensionality Reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.4 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 v 3.4.1 Problem Requisites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.4.2 Clustering Methodologies . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.4.3 DBSCAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.4.4 OPTICS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.5 Pairs Selection Criteria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.6 Framework Diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4 Proposed Trading Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.1 Problem Statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.2 Proposed Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.3 Model Diagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.4 Time Series Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.5 Autoregressive Moving Average . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.6 Artificial Neural Network Models . . . . . . . . . . . . . . . . . . . . . . . . 43 4.6.1 Long Short-Term Memory . . . . . . . . . . . . . . . . . . . . . . . . 43 4.6.2 LSTM Encoder-Decoder . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.7 Artificial Neural Networks Design . . . . . . . . . . . . . . . . . . . . . . . . 46 4.7.1 Hyperparameter Optimization . . . . . . . . . . . . . . . . . . . . . . 46 4.7.2 Weight Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.7.3 Regularization Techniques . . . . . . . . . . . . . . . . . . . . . . . . 47 4.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 5 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.1 Research Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2.1 Exchange-Traded Funds . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.2.2 Data Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.2.3 Data Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 5.2.4 Data Partition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 5.3 Research Stage 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 5.3.1 Development of the Pairs Selection Techniques . . . . . . . . . 58 5.3.2 Trading Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 5.3.3 Test Portfolios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 5.4 Research Stage 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.4.1 Building the Forecasting Algorithms . . . . . . . . . . . . . . . . . 60 5.4.2 Test Conditions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.5 Trading Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 5.5.1 Portfolio Construction . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 5.5.2 Transaction Costs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 5.5.3 Entry and Exit Points . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 vi Contents 5.6 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 5.6.1 Return on Investment . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 5.6.2 Sharpe Ratio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 5.6.3 Maximum Drawdown . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 5.7 Implementation Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 5.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 Appendix 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 Appendix 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 6 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 6.1 Data Cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 6.2 Pairs Selection Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 6.2.1 Eligible Pairs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 6.2.2 Pairs Selection Rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 6.2.3 OPTICS Application Results . . . . . . . . . . . . . . . . . . . . . . 78 6.2.4 Trading Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 6.3 Forecasting-Based Trading Model Performance . . . . . . . . . . . . . . 86 6.3.1 Eligible Pairs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 6.3.2 Forecasting Algorithms Training . . . . . . . . . . . . . . . . . . . . 87 6.3.3 Forecasting Performance . . . . . . . . . . . . . . . . . . . . . . . . . 90 6.3.4 Trading Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 6.3.5 Implementation Remarks . . . . . . . . . . . . . . . . . . . . . . . . . 94 6.3.6 Alternative Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 Appendix 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 Appendix 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 Appendix 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 7 Conclusions and Future Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 7.1 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 7.2 Future Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 Contents vii

ادامه ...
برای ارسال نظر لطفا وارد شوید یا ثبت نام کنید
ادامه ...
پشتیبانی محصول

۱- در صورت داشتن هرگونه مشکلی در پرداخت، لطفا با پشتیبانی تلگرام در ارتباط باشید.

۲- برای خرید محصولات لطفا به شماره محصول و عنوان دقت کنید.

۳- شما می توانید فایلها را روی نرم افزارهای مختلف اجرا کنید(هیچگونه کد یا قفلی روی فایلها وجود ندارد).

۴- بعد از خرید، محصول مورد نظر از صفحه محصول قابل دانلود خواهد بود همچنین به ایمیل شما ارسال می شود.

۵- در صورت وجود هر مشکلی در فرایند خرید با تماس بگیرید.