Arbitraje estadístico con aprendizaje profundo en el rango de capitalización bursátil

Resumen

Este trabajo propone representar las acciones por su rango de capitalización bursátil en lugar de por la identidad de la empresa. La motivación es que las representaciones convencionales basadas en nombres pueden ser ruidosas y volátiles, lo que dificulta que las redes neuronales profundas aprendan patrones. En el espacio de rangos, las acciones se organizan por su posición relativa de capitalización, creando una visión transformada del comportamiento del mercado para investigar el arbitraje estadístico.

Los autores informan de que las redes neuronales profundas funcionan mejor para el arbitraje estadístico en el espacio de rangos que en el espacio de nombres. Atribuyen la mejora a representaciones de mercado más robustas y a una reversión a la media más marcada en los rendimientos residuales, lo que puede facilitar el aprendizaje. La descripción no especifica el universo, el periodo de la muestra, las reglas de trading, los costes ni las medidas de rendimiento, y no ofrece resultados numéricos. Por tanto, la ventaja afirmada debe entenderse como un resultado comparativo descrito, no como prueba de que los modelos basados en rangos superarán a otros en todos los mercados o durante la ejecución en trading real.

Ideas clave

• El método clasifica las acciones por rango de capitalización en vez de por nombre de empresa.
• La transformación busca reducir el ruido y mejorar la estructura de las representaciones del mercado.
• Se informa de que las redes neuronales profundas funcionan mejor para el arbitraje estadístico en el espacio de rangos.
• Los autores vinculan la mejora con una reversión a la media más marcada en los rendimientos residuales.
• La descripción proporcionada omite costes de trading, detalles de la muestra y evidencia numérica del rendimiento.

Etiquetas

# 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.

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.