Attention-Faktoren für kostenbewusste statistische Arbitrage

Zusammenfassung

Die Arbeit entwickelt einen Rahmen, der bedingte latente Faktoren lernt, um zusammengehörige Aktien zu identifizieren, relative Fehlbewertungen aufzudecken und eine Handelsstrategie unter Berücksichtigung der Handelskosten zu bilden. Die Attention-Faktoren basieren auf Einbettungen von Unternehmensmerkmalen und ermöglichen Wechselwirkungen zwischen diesen Merkmalen. Ein Sequenzmodell extrahiert Zeitreihensignale aus Residualportfolios; die Faktorschätzung wird gemeinsam mit der Arbitragestrategie optimiert, um nach Kosten risikobereinigte Rentabilität anzustreben.

Die Autoren berichten für die größten US-Aktien über einen Zeitraum von 24 Jahren eine Sharpe-Ratio von über vier außerhalb der Stichprobe sowie eine Ein-Schritt-Lösung mit einer Sharpe-Ratio von 2.3 nach Transaktionskosten. Sie argumentieren außerdem, dass auch schwächere Faktoren für Arbitrageentscheidungen relevant sein können. Der Auszug spezifiziert weder den Portfolioaufbau noch Ausführungsannahmen oder Robustheitsprüfungen. Die berichteten Ergebnisse sind daher im Rahmen der angegebenen Grundgesamtheit und des Studiendesigns zu verstehen.

Kernaussagen

• Bedingte latente Attention-Faktoren werden aus Einbettungen von Unternehmensmerkmalen gelernt.
• Residual-Faktorportfolios liefern über ein Sequenzmodell Zeitreihensignale.
• Faktorlernen und Strategieaufbau werden gemeinsam optimiert, um Handelskosten zu berücksichtigen.
• Die Studie berichtet starke Sharpe-Ergebnisse außerhalb der Stichprobe für große US-Aktien und hebt den Nutzen schwacher Faktoren hervor.

Schlagwörter

# Attention Factors for Statistical Arbitrage


# Attention Factors for Statistical Arbitrage









Statistical arbitrage exploits temporal price differences between similar assets. We develop a framework to jointly identify similar assets through factors, identify mispricing and form a trading policy that maximizes risk-adjusted performance after trading costs. Our Attention Factors are conditional latent factors that are the most useful for arbitrage trading. They are learned from firm characteristic embeddings that allow for complex interactions. We identify time-series signals from the residual portfolios of our factors with a general sequence model. Estimating factors and the arbitrage trading strategy jointly is crucial to maximize profitability after trading costs. In a comprehensive empirical study we show that our Attention Factor model achieves an out-of-sample Sharpe ratio above 4 on the largest U.S. equities over a 24-year period. Our one-step solution yields an unprecedented Sharpe ratio of 2.3 net of transaction costs. We show that weak factors are important for arbitrage trading.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.