یادگیری عمیق برای آربیتراژ آماری در فضای رتبه ارزش بازار
خلاصه
این پژوهش پیشنهاد می‌کند سهام را به‌جای نام شرکت، بر اساس رتبه ارزش بازار نمایش دهیم. انگیزه این است که نمایش‌های متعارف مبتنی بر نام می‌توانند پرنویز و پرنوسان باشند و یادگیری الگوها را برای شبکه‌های عصبی عمیق دشوار کنند. در فضای رتبه، سهام بر اساس جایگاه نسبی ارزش بازار مرتب می‌شوند و نمایی تبدیل‌شده از رفتار بازار برای پژوهش آربیتراژ آماری به دست می‌آید.
نویسندگان گزارش می‌کنند که شبکه‌های عصبی عمیق برای آربیتراژ آماری در فضای رتبه بهتر از فضای نام عمل می‌کنند. آن‌ها این بهبود را به نمایش‌های باثبات‌تر بازار و رفتار بازگشت به میانگین قوی‌تر در بازده‌های باقیمانده نسبت می‌دهند؛ ویژگی‌هایی که می‌توانند یادگیری را مؤثرتر کنند. توضیحات، مجموعه دارایی‌ها، دوره نمونه، قواعد معامله، هزینه‌ها یا معیارهای عملکرد را مشخص نمی‌کند و هیچ نتیجه عددی ارائه نمی‌دهد. بنابراین، مزیت ادعاشده را باید یافته‌ای مقایسه‌ای دانست که گزارش شده است، نه شاهدی بر اینکه مدل‌های مبتنی بر رتبه در بازارهای مختلف یا هنگام اجرای زنده بهتر عمل خواهند کرد.
ایده‌های کلیدی
- این روش سهام را به‌جای نام شرکت، بر اساس رتبه ارزش بازار شاخص‌گذاری می‌کند.
- این تبدیل با هدف کاهش نویز و بهبود ساختار نمایش‌های بازار انجام می‌شود.
- گزارش شده است که شبکه‌های عصبی عمیق برای آربیتراژ آماری در فضای رتبه عملکرد بهتری دارند.
- نویسندگان این بهبود را به بازگشت به میانگین قوی‌تر در بازده‌های باقیمانده مرتبط می‌دانند.
- توضیحات ارائه‌شده، هزینه‌های معامله، جزئیات نمونه و شواهد عددی عملکرد را در بر نمی‌گیرد.
برچسب‌ها
متن کامل
# 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.
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.