استراتيجيات التعلم العميق لتداول متبقيات نماذج العوامل

الملخص

تكرر هذه الدراسة نهجًا للمراجحة الإحصائية بالتعلم العميق يتداول متبقيات نماذج عوامل تسعير الأصول. وتطبق الطريقة الأصلية على فترة أحدث خارج العينة، باستخدام بيانات الأسهم الأمريكية من 2016 إلى 2024. ويتبع سير العمل المعالجة المسبقة للبيانات ونمذجة العوامل في الدراسة السابقة، ويستخدم الشبكات العصبية الالتفافية والمحولات. ويذكر المؤلفون أنهم طبقوا ممارسات آنية لتجنب تسرب المعلومات.

تنتج بعض الاختبارات نسب شارب مرتفعة على نحو غير معتاد خارج العينة، وتتجاوز أحيانًا 10. ويحذر المؤلفون من أن هذه النتائج قد تعكس فرط المواءمة أو ظروفًا سوقية مواتية على نحو استثنائي أو معالجة غير كافية لتكاليف المعاملات وأثر السوق. ويدعون إلى مزيد من اختبارات المتانة، ويشيرون إلى أن النتائج أقوى من التحسينات الأكثر تواضعًا في البحث الأصلي. ولا يورد الوصف المقدم قواعد تداول أو تكاليف أو نتائج اختبارات المتانة بالتفصيل، ما يحد من الاستنتاجات بشأن الربحية في الواقع.

الأفكار الرئيسية

• تسعى الاستراتيجية إلى تداول التباين المقطعي غير المفسر في متبقيات نماذج العوامل.
• يطبق التكرار الشبكات العصبية الالتفافية والمحولات على فترة أحدث لأسهم أمريكية.
• تذكر الدراسة تطبيق مبادئ آنية لمنع تسرب المعلومات.
• تتجاوز بعض نسب شارب المعلنة خارج العينة 10، لكن المؤلفين ينبهون إلى احتمال فرط المواءمة والآثار الخاصة بالسوق.
• قد تؤثر تكاليف المعاملات وأثر السوق والمزيد من اختبارات المتانة تأثيرًا كبيرًا في النتائج.

الوسوم

# A Deep Learning Approach for Trading Factor Residuals


# A Deep Learning Approach for Trading Factor Residuals









The residuals in factor models prevalent in asset pricing presents opportunities to exploit the mis-pricing from unexplained cross-sectional variation for arbitrage. We performed a replication of the methodology of Guijarro-Ordonez et al. (2019) (G-P-Z) on Deep Learning Statistical Arbitrage (DLSA), originally applied to U.S. equity data from 1998 to 2016, using a more recent out-of-sample period from 2016 to 2024. Adhering strictly to point-in-time (PIT) principles and ensuring no information leakage, we follow the same data pre-processing, factor modeling, and deep learning architectures (CNNs and Transformers) as outlined by G-P-Z. Our replication yields unusually strong performance metrics in certain tests, with out-of-sample Sharpe ratios occasionally exceeding 10. While such results are intriguing, they may indicate model overfitting, highly specific market conditions, or insufficient accounting for transaction costs and market impact. Further examination and robustness checks are needed to align these findings with the more modest improvements reported in the original study. (This work was conducted as the final project for IEOR 4576: Data-Driven Methods in Finance at Columbia University.)

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.