Amortized Neural Filtering for Calibrated Posteriors in Statistical Arbitrage
Pubblicata su AIChronos il · fonte del · Minkey Chang
Il paper propone un Neural Filter Estimator (NFE) che mantiene e utilizza l'incertezza delle stime dello stato residuo nei processi di arbitraggio statistico, a differenza della pratica convenzionale. L'estimatore viene addestrato su percorsi simulati di un processo mean-reverting per restituire la distribuzione posteriore dello stato latente in una singola passata forward. I risultati dimostrano che sebbene l'accuratezza non superi quella delle stime puntuali con informazioni complete, il metodo fornisce una corretta quantificazione dell'incertezza propria.
- L'approccio convenzionale nell'arbitraggio statistico scarta l'incertezza della stima dello stato residuo, mentre questo lavoro la integra nelle decisioni di trading.
- Il Neural Filter Estimator (NFE) restituisce la distribuzione posteriore per ogni spread in una cross-section tramite un'unica forward pass dopo il training su dati simulati.
- Sui mercati azionari coreani, i metodi amortizzati riducono lo scarto tra previsioni e realizzo dei rendimenti di circa due a otto volte rispetto alle stime puntuali convenzionali.
- La dimensione delle posizioni derivata dalla distribuzione posteriore non aumenta il rischio oltre quello del rumore presente nel periodo, mantenendo un Sharpe ratio paragonabile ai fattori base.
- Anche se la precisione numerica della posterior è limitata da quella dello stato noto in simulazioni perfette, il valore aggiunto risiede nella corretta gestione dell'incertezza.
Perché conta. Per uno sviluppatore di agenti AI o sistemi locali, questo approccio illustra come incorporare esplicitamente l'incertezza delle previsioni (distribuzioni posteriori) invece di affidarsi a stime puntuali deterministiche, migliorando la robustezza decisionale in ambienti rumorosi.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.