Estrategias de deep learning para operar con residuos de modelos factoriales

Resumen

Este estudio replica un enfoque de arbitraje estadístico con deep learning que opera con residuos de modelos factoriales de valoración de activos. Aplica el método original a un período fuera de muestra más reciente, utilizando datos de renta variable de EE. UU. de 2016 a 2024. El flujo de trabajo sigue el preprocesamiento de datos y el modelado factorial del estudio anterior, y utiliza redes neuronales convolucionales y Transformers. Los autores afirman haber aplicado prácticas de punto en el tiempo para evitar fugas de información.

Algunas pruebas producen ratios de Sharpe fuera de muestra inusualmente altos, que en ocasiones superan 10. Los autores advierten que estos resultados podrían reflejar sobreajuste, condiciones de mercado excepcionalmente favorables o un tratamiento insuficiente de los costes de transacción y el impacto de mercado. Piden más pruebas de robustez y señalan que los resultados son mejores que las mejoras más modestas de la investigación original. La descripción proporcionada no detalla las reglas de trading, los costes ni los resultados de las pruebas de robustez, lo que limita las conclusiones sobre la rentabilidad en el mundo real.

Ideas clave

• La estrategia busca operar con la variación transversal no explicada de los residuos de modelos factoriales.
• La replicación aplica redes neuronales convolucionales y Transformers a un período más reciente de renta variable estadounidense.
• El estudio afirma haber aplicado principios de punto en el tiempo para evitar fugas de información.
• Algunos ratios de Sharpe fuera de muestra reportados superan 10, pero los autores advierten de un posible sobreajuste y de efectos específicos del mercado.
• Los costes de transacción, el impacto de mercado y nuevas pruebas de robustez podrían cambiar sustancialmente los resultados.

Etiquetas

# 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.)

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.