用于数据驱动套利策略的混合脊波深度神经网络

摘要 在本研究中，我们提出了一种替代方案，以整合深度神经网络与脊波变换，替代Neufeld等人讨论的模型框架（Neufeld et al. 2024 SIAM J. Financ. Math.15, 436–472. (doi:10.1137/22M1487928)）。脊波变换用于检测高维稀疏结构中的统计套利，利用Borel可测函数。该变换还增强了神经网络的表达能力，使其能够捕捉复杂和高维的市场结构。从理论上讲，我们通过优化混合脊波深度神经网络来确定有利可图的交易策略。此外，我们强调脊波激活函数在不确定性下确保稳定性和适应性的作用。我们利用高性能计算集群检测多个资产之间的套利，确保大规模金融数据的可扩展性和高效处理。所提出的方法也适合拥有较小投资组合和有限计算资源的散户投资者。实证结果表明，在涉及多达50个资产的各种情景中，取得了强劲的盈利能力，尤其是在市场波动期间表现突出。