Newest papers

Amortized Neural Filtering for Calibrated Posteriors in Statistical Arbitrage

Minkey Chang · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.25802 · cited by 0 works (OpenAlex) · open-access PDF

German

Statistische Arbitration handelt auf einer Schätzung des Zustands eines Restspread, und konventionelle Praxis entlässt die Unsicherheit dieser Schätzung. Wir behalten die Unsicherheit und verwenden sie in der Handelsentscheidung. Ein Neural Filter Estimator (NFE) wird auf simulierten Wegen eines mittleren Umkehrprozesses geschult, dessen Innovationsgesetz wird ausgewählt, indem die Kandidaten gegen reale Residuen getestet werden; sobald geschult, gibt es den hinteren über den latenten Zustand jedes Spreads in einem Cross-Section in einem vorwärtigen Pass. Drei Ergebnisse folgen. Auf simulierten Wegen mit bekannter Wahrheit fällt jeder praktische Schätzung, unsere eingeschlossen, in einen engen Bereich der Genauigkeit weit unter einem geschätzten vollständigen Informationen, so dass der hintere Gew

Machine translation (Meta M2M100); the English original follows.

Abstract

Statistical arbitrage trades on an estimate of the state of a residual spread, and conventional practice discards the uncertainty of that estimate. We keep the uncertainty and use it in the trading decision. A Neural Filter Estimator (NFE) is trained on simulated paths of a mean-reverting process whose innovation law is selected by testing candidates against real residuals; once trained, it returns the posterior over the latent state of every spread in a cross-section in one forward pass. Three results follow. On simulated paths with known truth, every practical estimator, ours included, falls in one narrow band of accuracy well below an estimator given full information, so the posterior gains no accuracy over a point estimate; its contribution is a correct account of its own uncertainty. On Korean equities, net of costs, the conventional point estimate forecasts about a thousand basis points per holding period more than it realizes, and the amortized methods cut that gap by a factor of roughly two to eight. Sizing positions from the posterior on the same learned factors as the end-to-end Attention Factor Model matches the Sharpe ratio of those factors under the base rule within the period's noise, at no more risk.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Estimator, Mathematics, Econometrics, Sharpe ratio, Point estimation, Point (geometry)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange