Deep-Learning-Replikation für statistische Arbitrage mit polnischen Aktien

Zusammenfassung

Die Studie überträgt einen Pairs-Trading-Rahmen auf polnische Aktien. Dabei wird ein Vermögenswert mit einer Replikation aus Risikofaktoren verglichen, anstatt ihn mit einem zweiten, stark korrelierten Vermögenswert zu paaren. Die Faktoren werden mit Principal Components Analysis, börsengehandelten Fonds oder Long Short Term Memory-Netzen erstellt; die daraus resultierenden Residuen werden anschließend mit einem Ornstein-Uhlenbeck-Prozess modelliert. Signale entstehen für Portfolios, deren Residuen schnell genug zum Mittelwert zurückkehren. Die Umsetzung nutzt Bestandteile polnischer Indizes und lokale Marktannahmen, darunter risikofreie Zinssätze und Transaktionskosten.

Die berichtete Auswertung umfasst 2017–2019 sowie das Rezessionsjahr 2020. Alle Ansätze sind im früheren Zeitraum profitabel; mit PCA wird eine kumulierte Rendite von etwa 20 Prozent und eine Sharpe-Ratio von bis zu 2.63 erreicht. Im Jahr 2020 bleibt der ETF-Ansatz mit einer Jahresrendite von etwa 5 Prozent profitabel, während PCA und LSTM schlechter abschneiden. Die Belege sind auf die genannten Zeiträume und die Anpassung an den Markt beschränkt; die negativen Ergebnisse für LSTM zeigen, dass dessen Leistung durch diese Studie nicht belegt ist.

Kernaussagen

• Die Strategie repliziert einen Vermögenswert anhand von Risikofaktoren, statt ihn mit einem zweiten korrelierten Vermögenswert zu paaren.
• PCA, ETFs und LSTMs dienen zur Konstruktion der Replikation.
• Residuen werden mit einem Ornstein-Uhlenbeck-Prozess modelliert, um Mean-Reversion-Signale zu erkennen.
• Die Studie passt den Rahmen an polnische Indizes und lokale Handelsannahmen an.
• PCA liegt im früheren Testzeitraum vorn, während im Zeitraum 2020 nur der ETF-Ansatz profitabel bleibt.

Schlagwörter

# Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques


# Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques









We study a systematic approach to a popular Statistical Arbitrage technique: Pairs Trading. Instead of relying on two highly correlated assets, we replace the second asset with a replication of the first using risk factor representations. These factors are obtained through Principal Components Analysis (PCA), exchange traded funds (ETFs), and, as our main contribution, Long Short Term Memory networks (LSTMs). Residuals between the main asset and its replication are examined for mean reversion properties, and trading signals are generated for sufficiently fast mean reverting portfolios. Beyond introducing a deep learning based replication method, we adapt the framework of Avellaneda and Lee (2008) to the Polish market. Accordingly, components of WIG20, mWIG40, and selected sector indices replace the original S&P500 universe, and market parameters such as the risk free rate and transaction costs are updated to reflect local conditions. We outline the full strategy pipeline: risk factor construction, residual modeling via the Ornstein Uhlenbeck process, and signal generation. Each replication technique is described together with its practical implementation. Strategy performance is evaluated over two periods: 2017-2019 and the recessive year 2020. All methods yield profits in 2017-2019, with PCA achieving roughly 20 percent cumulative return and an annualized Sharpe ratio of up to 2.63. Despite multiple adaptations, our conclusions remain consistent with those of the original paper. During the COVID-19 recession, only the ETF based approach remains profitable (about 5 percent annual return), while PCA and LSTM methods underperform. LSTM results, although negative, are promising and indicate potential for future optimization.

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.