Deep-Learning-Strategien für Faktor-Modellresiduen

Zusammenfassung

Diese Studie repliziert einen Deep-Learning-Ansatz für statistische Arbitrage, der Residuen aus Asset-Pricing-Faktormodellen handelt. Sie wendet die ursprüngliche Methode auf einen neueren Zeitraum außerhalb der Stichprobe an und nutzt US-Aktiendaten von 2016 bis 2024. Der Ablauf folgt der Datenaufbereitung und Faktormodellierung der früheren Studie und verwendet Convolutional Neural Networks sowie Transformer. Die Autoren geben an, Maßnahmen mit zeitpunktbezogenen Daten angewandt zu haben, um Informationsleckagen zu vermeiden.

Einige Tests erzielen ungewöhnlich hohe Sharpe Ratios außerhalb der Stichprobe, zeitweise über 10. Die Autoren weisen darauf hin, dass diese Ergebnisse auf Overfitting, ungewöhnlich günstige Marktbedingungen oder eine unzureichende Berücksichtigung von Transaktionskosten und Markteinfluss zurückgehen könnten. Sie fordern weitere Robustheitsprüfungen und merken an, dass die Ergebnisse stärker ausfallen als die bescheideneren Verbesserungen der ursprünglichen Forschung. Die vorliegende Beschreibung enthält keine detaillierten Handelsregeln, Kosten oder Robustheitsergebnisse und schränkt dadurch Schlussfolgerungen zur Rentabilität in der Praxis ein.

Kernaussagen

• Die Strategie zielt darauf ab, unerklärte Querschnittsvariation in Faktormodellresiduen zu handeln.
• Die Replikation wendet Convolutional Neural Networks und Transformer auf einen neueren Zeitraum mit US-Aktien an.
• Laut Bericht wurden zeitpunktbezogene Grundsätze angewandt, um Informationsleckagen zu verhindern.
• Einige berichtete Sharpe Ratios außerhalb der Stichprobe übersteigen 10; die Autoren weisen jedoch auf mögliches Overfitting und Markteffekte hin.
• Transaktionskosten, Markteinfluss und weitere Robustheitsprüfungen könnten die Ergebnisse wesentlich verändern.

Schlagwörter

# 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.)

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.