آربیتراژ آماری با یادگیری عمیق در سهام مشابه
خلاصه
این سند چارچوبی برای آربیتراژ آماری ارائه می‌کند که قیمت‌گذاری دارایی، مدل‌سازی سری زمانی و بهینه‌سازی سبد را ترکیب می‌کند. ابتدا از عوامل قیمت‌گذاری نهفته شرطی برای شناسایی دارایی‌های مشابه و ساخت سبدهای باقیمانده استفاده می‌کند، سپس با یک ترنسفورمر کانولوشنی سیگنال‌های معاملاتی را استخراج می‌کند. این سیگنال‌ها ورودی یک سیاست مقید هستند که برای بیشینه‌سازی بازده تعدیل‌شده با ریسک طراحی شده است.
پژوهش تجربی از داده‌های روزانه سهام US استفاده می‌کند و در مقایسه با روش‌های معیار، میانگین بازده و نسبت شارپ برون‌نمونه‌ایِ پیوسته و بالایی گزارش می‌دهد. خلاصه، تاریخ‌های نمونه، نحوه محاسبه هزینه‌های معاملاتی، جزئیات ریسک یا نتایج مشخص روش‌های معیار را ارائه نمی‌کند؛ بنابراین ادعاها را نمی‌توان بر اساس این توضیح به‌طور کامل ارزیابی کرد. شواهد بیان‌شده به عملکرد تاریخی برون‌نمونه‌ای مربوط است و ثابت نمی‌کند که بازده‌ها در معامله زنده یا پس از هزینه‌های اجرا پایدار می‌مانند.
ایده‌های کلیدی
- سبدهای باقیمانده مبتنی بر عوامل قیمت‌گذاری نهفته شرطی، برای نمایش فرصت‌های آربیتراژ میان دارایی‌های مشابه به کار می‌روند.
- یک ترنسفورمر کانولوشنی سیگنال‌های سری زمانی را از سبدهای باقیمانده استخراج می‌کند.
- سیگنال‌ها یک سیاست معاملاتی مقید را تعیین می‌کنند که بازده تعدیل‌شده با ریسک را هدف می‌گیرد.
- ارزیابی گزارش‌شده از سهام روزانه US استفاده می‌کند و عملکرد برون‌نمونه‌ای را در مقایسه با معیارها توصیف می‌کند.
- توضیح کوتاه، جزئیات اجرایی لازم برای سنجش سودآوری در دنیای واقعی را ندارد.
برچسب‌ها
متن کامل
# 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.
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.