عوامل توجه برای آربیتراژ آماری با لحاظ هزینه

خلاصه

این مقاله چارچوبی توسعه می‌دهد که عوامل نهفته شرطی را برای شناسایی سهام مرتبط، تشخیص قیمت‌گذاری نسبیِ نادرست و ساخت سیاست معاملاتیِ لحاظ‌کننده هزینه‌های معامله یاد می‌گیرد. عوامل توجه آن از تعبیه‌سازی ویژگی‌های شرکت ساخته می‌شوند و امکان تعامل میان این ویژگی‌ها را فراهم می‌کنند. یک مدل دنباله‌ای سیگنال‌های سری زمانی را از سبدهای باقیمانده استخراج می‌کند و برآورد عامل به‌طور مشترک با استراتژی آربیتراژ بهینه می‌شود تا سودآوری تعدیل‌شده بر اساس ریسک پس از هزینه‌ها هدف قرار گیرد.

نویسندگان برای بزرگ‌ترین سهام آمریکا طی دوره‌ای 24-ساله، نسبت شارپ خارج از نمونه بالاتر از چهار و برای راه‌حل یک‌گامی، نسبت شارپ 2.3 پس از کسر هزینه‌های معامله گزارش می‌کنند. همچنین استدلال می‌کنند که عوامل ضعیف‌تر نیز می‌توانند برای تصمیم‌های آربیتراژ اهمیت داشته باشند. متن، ساخت سبد، فرض‌های اجرا یا آزمون‌های استحکام را مشخص نمی‌کند؛ بنابراین نتایج گزارش‌شده باید در چارچوب جهان سرمایه‌گذاری و طراحی ارزیابیِ بیان‌شده در پژوهش فهمیده شوند.

ایده‌های کلیدی

• عوامل توجه نهفته شرطی از تعبیه‌سازی ویژگی‌های شرکت آموخته می‌شوند.
• سبدهای عاملیِ باقیمانده از طریق یک مدل دنباله‌ای سیگنال‌های سری زمانی فراهم می‌کنند.
• یادگیری عامل و ساخت استراتژی به‌طور مشترک بهینه می‌شوند تا هزینه‌های معامله لحاظ شوند.
• این پژوهش نتایج قوی نسبت شارپ خارج از نمونه برای سهام بزرگ آمریکا گزارش می‌کند و بر ارزش عوامل ضعیف تأکید دارد.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.