Factores de atención para el arbitraje estadístico con costes

Resumen

El artículo desarrolla un marco que aprende factores latentes condicionales para identificar acciones relacionadas, detectar desajustes de valoración relativos y crear una política de negociación que tenga en cuenta los costes de transacción. Sus factores de atención se construyen a partir de incrustaciones de características empresariales, lo que permite interacciones entre ellas. Un modelo secuencial extrae señales de series temporales de carteras residuales, y la estimación de factores se optimiza conjuntamente con la estrategia de arbitraje para buscar rentabilidad ajustada al riesgo después de costes.

Los autores informan de un ratio de Sharpe fuera de muestra superior a cuatro para las mayores acciones estadounidenses durante un periodo de 24 años y de una solución de un solo paso con un ratio de Sharpe de 2.3 neto de costes de transacción. También sostienen que los factores más débiles pueden seguir siendo relevantes para las decisiones de arbitraje. El extracto no especifica la construcción de la cartera, los supuestos de ejecución ni las pruebas de robustez, por lo que los resultados deben entenderse dentro del universo y el diseño de evaluación indicados por el estudio.

Ideas clave

• Se aprenden factores de atención latentes condicionales a partir de incrustaciones de características empresariales.
• Las carteras de factores residuales proporcionan señales de series temporales mediante un modelo secuencial.
• El aprendizaje de factores y la construcción de estrategias se optimizan conjuntamente para tener en cuenta los costes de transacción.
• El estudio informa de resultados sólidos de Sharpe fuera de muestra para grandes acciones estadounidenses y destaca el valor de los factores débiles.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.