Pairs trading is a statistical arbitrage strategy that utilizes the mean reversion analysis of the spread representing the price difference between two highly correlated stocks to obtain a potential market neutral profit. Recently, the profitability of traditional pair trading strategies is decreasing due to the fragile correlation relationship and the declining arbitrage opportunities, and many investors are trying to optimize the pair trading strategy. In this study, we propose a two-step pairs trading strategy optimization model. In the first step, we use deep learning to build a model that predicts the movement of the spread. In the second step, the pair trading strategy is optimized through Proximal Policy Optimization, a reinforcement learning algorithm, using predictive information on spread movement. Reinforcement learning agent is trained to select the optimum level of trading and stop-loss thresholds that maximize cumulative returns during the training period. Pairs are selected from stocks on the KOSPI 100 Index by conducting a cointegration test. As a result, we confirm that our proposed model shows superior performance in profitability and risk management, and outperforms traditional pairs trading strategy.
페어 트레이딩은 통계적 차익거래 전략으로, 높은 상관관계가 있는 두 주식의 가격 차이를 나타내는 스프레드의 평균 회귀 분석을 활용하여 잠재적인 시장 중립적 수익을 얻는 전략이다. 최근에는, 상관관계가 깨지기 쉽고 차익거래의 기회가 감소하고 있는 추세로 인해 전통적인 페어 트레이딩 전략의 수익성이 감소하고 있으며, 많은 투자자들이 페어 트레이딩 전략 최적화를 시도하고 있다. 본 연구에서, 우리는 두 단계의 페어 트레이딩 최적화 모델을 제안한다. 첫번째 단계에서, 딥 러닝을 사용하여 스프레드의 움직임을 예측하는 모델을 만든다. 두번째 단계에서, 스프레드 움직임에 대한 예측 정보를 활용하여, 강화 학습 알고리즘인 근위 정책 최적화를 통해 페어 트레이딩 전략을 최적화한다. 강화 학습 에이전트는 학습 기간동안 누적 수익률을 최대화하는 최적의 거래 및 손절매 임계 값을 선택하도록 학습된다. 페어들은 코스피 100 지수의 구성 종목에 대해 공적분 검정을 진행하여 선택하였다. 실험 결과, 우리가 제안한 모델은 수익성 및 위험 관리 부분에서 높은 성능을 보였으며, 전통적인 페어 트레이딩 전략을 능가함을 확인하였다.
