Aprendizaje profundo para arbitraje estadístico entre acciones similares

Resumen

El documento presenta un marco de arbitraje estadístico que combina valoración de activos, modelización de series temporales y optimización de carteras. Primero usa factores de valoración latentes condicionales para identificar activos similares y construir carteras residuales; después extrae señales de trading con un transformador convolucional. Esas señales alimentan una política restringida diseñada para maximizar los rendimientos ajustados al riesgo.

El estudio empírico usa datos diarios de acciones de US e informa de rendimientos medios y ratios de Sharpe fuera de muestra consistentemente sólidos frente a métodos de referencia. El resumen no indica las fechas de la muestra, el tratamiento de los costes de transacción, los detalles del riesgo ni los resultados concretos de referencia, por lo que no es posible evaluar plenamente esas afirmaciones con esta descripción. La evidencia indicada corresponde al rendimiento histórico fuera de muestra; no demuestra que los rendimientos vayan a mantenerse en el trading real o después de los costes de implementación.

Ideas clave

• Las carteras residuales basadas en factores de valoración latentes condicionales representan oportunidades de arbitraje entre activos similares.
• Un transformador convolucional extrae señales de series temporales de las carteras residuales.
• Las señales determinan una política de trading restringida que busca rendimientos ajustados al riesgo.
• La evaluación comunicada usa acciones de US con datos diarios y describe el rendimiento fuera de muestra frente a referencias.
• La breve descripción omite detalles de implementación necesarios para valorar la rentabilidad en condiciones reales.

Etiquetas

# 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.

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.