Aprendizaje profundo y arbitraje estadístico en acciones polacas
Resumen
El estudio adapta un marco de trading de pares a las acciones polacas: compara un activo con una réplica construida a partir de factores de riesgo, en lugar de emparejarlo con otro activo muy correlacionado. Construye factores mediante análisis de componentes principales, fondos cotizados o redes Long Short Term Memory y luego modela los residuos resultantes con un proceso de Ornstein-Uhlenbeck. Genera señales para carteras cuyos residuos revierten con suficiente rapidez. La implementación utiliza componentes de índices polacos y supuestos locales de mercado, incluidos los tipos sin riesgo y los costes de transacción.
La evaluación informada abarca 2017–2019 y el año de recesión 2020. Todos los enfoques son rentables en el periodo anterior, y PCA alcanza una rentabilidad acumulada de aproximadamente el 20 por ciento y un ratio de Sharpe de hasta 2.63. En 2020, el enfoque de ETF sigue siendo rentable, con una rentabilidad anual de alrededor del 5 por ciento, mientras que PCA y LSTM obtienen peores resultados. La evidencia se limita a los periodos indicados y a la adaptación al mercado; los resultados negativos de LSTM indican que este estudio no demuestra su rendimiento.
Ideas clave
- La estrategia replica un activo mediante factores de riesgo en lugar de emparejarlo con otro activo correlacionado.
- Se utilizan PCA, ETF y LSTM para construir la réplica.
- Los residuos se modelan con un proceso de Ornstein-Uhlenbeck para identificar señales de reversión a la media.
- El estudio adapta el marco a índices polacos y a supuestos locales de trading.
- PCA destaca en el periodo de prueba anterior, mientras que durante 2020 solo sigue siendo rentable el enfoque de ETF.
Etiquetas
Texto completo
# 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.
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.