Deep Learning für statistische Arbitrage mit ähnlichen Aktien

Zusammenfassung

Das Dokument stellt einen Rahmen für statistische Arbitrage vor, der Asset Pricing, Zeitreihenmodellierung und Portfoliooptimierung verbindet. Zunächst werden mithilfe bedingter latenter Preisfaktoren ähnliche Vermögenswerte identifiziert und Residualportfolios gebildet; anschließend extrahiert ein Convolutional Transformer Trading-Signale. Diese Signale fließen in eine beschränkte Strategie ein, die risikoadjustierte Renditen maximieren soll.

Die empirische Studie verwendet tägliche US-Aktienkurse und berichtet im Vergleich zu Benchmark-Ansätzen durchgehend hohe durchschnittliche Out-of-Sample-Renditen und Sharpe-Ratios. Die Zusammenfassung nennt weder Stichprobendaten noch den Umgang mit Transaktionskosten, Risikodetails oder konkrete Benchmark-Ergebnisse, sodass sich die Aussagen anhand dieser Beschreibung nicht vollständig beurteilen lassen. Die angeführten Belege betreffen historische Out-of-Sample-Performance; sie belegen nicht, dass die Renditen im Live-Trading oder nach Implementierungskosten anhalten.

Kernaussagen

• Residualportfolios auf Basis bedingter latenter Preisfaktoren bilden Arbitragemöglichkeiten zwischen ähnlichen Vermögenswerten ab.
• Ein Convolutional Transformer extrahiert Zeitreihensignale aus den Residualportfolios.
• Die Signale bestimmen eine beschränkte Handelsstrategie, die auf risikoadjustierte Renditen zielt.
• Die berichtete Auswertung verwendet tägliche Aktien aus US und beschreibt die Out-of-Sample-Performance im Vergleich zu Benchmarks.
• Die knappe Beschreibung lässt Umsetzungsdetails aus, die zur Beurteilung der Profitabilität in der Praxis nötig wären.

Schlagwörter

# Deep Learning Statistical Arbitrage


# Deep Learning Statistical Arbitrage









Statistical arbitrage exploits temporal price differences between similar assets. We develop a unifying conceptual framework for statistical arbitrage and a novel data driven solution. First, we construct arbitrage portfolios of similar assets as residual portfolios from conditional latent asset pricing factors. Second, we extract their time series signals with a powerful machine-learning time-series solution, a convolutional transformer. Lastly, we use these signals to form an optimal trading policy, that maximizes risk-adjusted returns under constraints. Our comprehensive empirical study on daily US equities shows a high compensation for arbitrageurs to enforce the law of one price. Our arbitrage strategies obtain consistently high out-of-sample mean returns and Sharpe ratios, and substantially outperform all benchmark approaches.

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.