التعلم العميق للمراجحة الإحصائية في فضاء ترتيب القيمة السوقية

الملخص

يقترح هذا العمل تمثيل الأسهم بترتيبها حسب القيمة السوقية بدلًا من هوية الشركة. والسبب هو أن التمثيلات التقليدية القائمة على الأسماء قد تكون مشوشة ومتقلبة، مما يصعب على الشبكات العصبية العميقة تعلم الأنماط. وفي فضاء الترتيب، تُنظم الأسهم وفق موقعها النسبي من حيث القيمة السوقية، ما ينشئ منظورًا محولًا لسلوك السوق لأغراض أبحاث المراجحة الإحصائية.

يفيد المؤلفون بأن أداء الشبكات العصبية العميقة للمراجحة الإحصائية أفضل في فضاء الترتيب منه في فضاء الأسماء. ويعزون التحسن إلى تمثيلات أكثر متانة للسوق وسلوك أقوى للعوائد المتبقية في الارتداد إلى المتوسط، ما قد يجعل التعلم أكثر فاعلية. ولا يحدد الوصف نطاق الأصول أو فترة العينة أو قواعد التداول أو التكاليف أو مقاييس الأداء، كما لا يقدم نتائج رقمية. لذا ينبغي فهم الأفضلية المدعاة على أنها نتيجة مقارنة معلنة، لا دليلًا على تفوق النماذج القائمة على الترتيب عبر الأسواق أو عند التنفيذ الفعلي.

الأفكار الرئيسية

• ترتب الطريقة الأسهم حسب القيمة السوقية بدلًا من اسم الشركة.
• يهدف التحويل إلى تقليل التشويش وتحسين بنية تمثيلات السوق.
• يُذكر أن أداء الشبكات العصبية العميقة للمراجحة الإحصائية أفضل في فضاء الترتيب.
• يربط المؤلفون التحسن بارتداد أقوى للعوائد المتبقية إلى المتوسط.
• لا يورد الوصف المقدم تكاليف التداول أو تفاصيل العينة أو أدلة رقمية على الأداء.

الوسوم

# Statistical Arbitrage in Rank Space


# Statistical Arbitrage in Rank Space









Equity market dynamics are conventionally investigated in name space, where stocks are indexed by company names. However, this perspective often suffers from high volatility and a low signal-to-noise ratio, which poses challenges for effective learning by deep neural networks (DNNs). In contrast, by indexing stocks by their ranks in capitalization, we gain a distinct and more structured view of market behavior in rank space. In this work, we demonstrate that DNNs achieve superior performance in statistical arbitrage when operating in rank space compared to name space. This performance gain is driven by more robust market representations and enhanced mean-reverting properties of residual returns in rank space, which facilitate more efficient learning. Our findings highlight the critical role of domain-informed data transformation in improving deep learning performance in noisy financial environments.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.