Deep Learning für statistische Arbitrage im Marktkapitalisierungs-Rangraum

Zusammenfassung

Diese Arbeit schlägt vor, Aktien anhand ihres Rangs nach Marktkapitalisierung statt anhand ihrer Unternehmensidentität darzustellen. Hintergrund ist, dass herkömmliche, auf Unternehmensnamen basierende Darstellungen verrauscht und volatil sein können, wodurch Deep Neural Networks Muster schwerer lernen. Im Rangraum werden Aktien nach ihrer relativen Position bei der Marktkapitalisierung geordnet. So entsteht eine transformierte Sicht auf das Marktverhalten für die Forschung zur statistischen Arbitrage.

Die Autoren berichten, dass Deep Neural Networks im Rangraum bei statistischer Arbitrage besser abschneiden als im Namensraum. Sie führen die Verbesserung auf robustere Marktdarstellungen und eine stärkere mittlere Rückkehr der Residualrenditen zurück, was das Lernen effektiver machen kann. Die Beschreibung nennt weder das Anlageuniversum noch den Stichprobenzeitraum, Handelsregeln, Kosten oder Leistungskennzahlen und enthält keine Zahlenwerte. Der behauptete Vorteil ist daher als berichteter Vergleichsbefund zu verstehen, nicht als Beleg dafür, dass rangbasierte Modelle über verschiedene Märkte hinweg oder im Live-Handel besser abschneiden.

Kernaussagen

• Die Methode ordnet Aktien nach Marktkapitalisierungsrang statt nach Unternehmensnamen.
• Die Transformation soll Rauschen verringern und die Struktur der Marktdarstellungen verbessern.
• Laut Bericht schneiden Deep Neural Networks bei statistischer Arbitrage im Rangraum besser ab.
• Die Autoren bringen den Vorteil mit einer stärkeren mittleren Rückkehr der Residualrenditen in Verbindung.
• In der vorliegenden Beschreibung fehlen Handelskosten, Stichprobendetails und numerische Leistungsnachweise.

Schlagwörter

# 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.

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.