A carregar...
Publicação
Pairs Trading Strategy with a Machine Learning Approach: A comparison between Traditional Statistical Models and LSTM Neural Networks
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.91 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Pairs trading, a statistical arbitrage strategy, capitalizes on the mean-reverting behavior of a pair of securities exhibiting similar market dynamics. This study delves into enhancing the pairs trading strategy within the Dow Jones Industrial Average Index by comparing the effectiveness of traditional statistical methods and Long-Short Term Memory (LSTM) Neural Networks in forecasting spread movements. The research adopts a bottom-up approach, employing the EngleGranger Test for cointegration to identify potential pairs within the index. Subsequently, the ARMA Model, alongside LSTM Neural Networks, are utilized to forecast spread behavior. The comparison of these methods aims to discern whether their application leads to improved performance compared to merely tracking the index. The analysis unveils the predictive capabilities, advantages,
and limitations of each method, shedding light on their efficacy in enhancing the pairs trading strategy within the Dow Jones Industrial Average.
O pairs trading, uma estratégia de arbitragem estatística, se aproveita do comportamento de reversão à média de um par de valores mobiliários que exibem dinâmicas de mercado similares. Este estudo se aprofunda em aprimorar a estratégia de pairs trading dentro do Índice Dow Jones Industrial Average, comparando a eficácia de métodos estatísticos tradicionais e Long-Short Term Memory (LSTM) Neural Network na previsão dos movimentos de spread. A pesquisa adota uma abordagem de baixo para cima, utilizando o Teste de Engle-Granger para cointegração a fim de identificar pares potenciais dentro do índice. Posteriormente, o Modelo ARMA, juntamente com LSTM Neural Network, são utilizados para prever o comportamento do spread. A comparação desses métodos visa discernir se sua aplicação leva a um desempenho melhorado em comparação a apenas acompanhar o índice. A análise revela as capacidades preditivas, vantagens e limitações de cada método, lançando luz sobre sua eficácia em aprimorar a estratégia de pairs trading dentro do Dow Jones Industrial Average.
O pairs trading, uma estratégia de arbitragem estatística, se aproveita do comportamento de reversão à média de um par de valores mobiliários que exibem dinâmicas de mercado similares. Este estudo se aprofunda em aprimorar a estratégia de pairs trading dentro do Índice Dow Jones Industrial Average, comparando a eficácia de métodos estatísticos tradicionais e Long-Short Term Memory (LSTM) Neural Network na previsão dos movimentos de spread. A pesquisa adota uma abordagem de baixo para cima, utilizando o Teste de Engle-Granger para cointegração a fim de identificar pares potenciais dentro do índice. Posteriormente, o Modelo ARMA, juntamente com LSTM Neural Network, são utilizados para prever o comportamento do spread. A comparação desses métodos visa discernir se sua aplicação leva a um desempenho melhorado em comparação a apenas acompanhar o índice. A análise revela as capacidades preditivas, vantagens e limitações de cada método, lançando luz sobre sua eficácia em aprimorar a estratégia de pairs trading dentro do Dow Jones Industrial Average.
Descrição
Dissertation presented as the partial requirement for obtaining a Master's degree in Statistics and Information Management, specialization in Risk Analysis and Management
Palavras-chave
Pairs Trading Dow Jones Industrial Average (DJIA) ARMA Model LSTM Neural Networks Statistical Arbitrage Time Series Analysis