راهبردهای یادگیری عمیق برای معامله با باقیمانده‌های مدل عاملی
خلاصه
این پژوهش رویکرد آربیتراژ آماری مبتنی بر یادگیری عمیق را که باقیمانده‌های مدل‌های عاملی قیمت‌گذاری دارایی را معامله می‌کند، بازتولید می‌کند. روش اصلی را در دوره‌ای جدیدتر و خارج از نمونه، با داده‌های سهام آمریکا از 2016 تا 2024 به کار می‌گیرد. روند کار از پیش‌پردازش داده و مدل‌سازی عامل‌های پژوهش پیشین پیروی می‌کند و از شبکه‌های عصبی کانولوشنی و ترنسفورمرها بهره می‌برد. نویسندگان می‌گویند برای جلوگیری از نشت اطلاعات، اصول رعایت اطلاعات در دسترس در هر مقطع تاریخی را اعمال کرده‌اند.
برخی آزمون‌ها نسبت‌های شارپ خارج از نمونه‌ای به‌طور غیرعادی بالا، گاه بیش از 10، به دست می‌دهند. نویسندگان هشدار می‌دهند که این نتایج ممکن است بازتاب بیش‌برازش، شرایط بسیار مساعد بازار یا رسیدگی ناکافی به هزینه‌های تراکنش و اثر بازار باشند. آن‌ها خواستار بررسی‌های بیشتر استحکام‌اند و اشاره می‌کنند که نتایج از بهبودهای متواضعانه‌تر پژوهش اصلی قوی‌ترند. توضیحات ارائه‌شده قواعد دقیق معامله، هزینه‌ها یا یافته‌های آزمون استحکام را گزارش نمی‌کند؛ بنابراین نتیجه‌گیری درباره سودآوری در دنیای واقعی محدود است.
ایده‌های کلیدی
- استراتژی می‌کوشد تغییرات مقطعیِ توضیح‌داده‌نشده در باقیمانده‌های مدل عاملی را معامله کند.
- این بازتولید شبکه‌های عصبی کانولوشنی و ترنسفورمرها را برای دوره‌ای جدیدتر از سهام آمریکا به کار می‌گیرد.
- پژوهش گزارش می‌کند که برای جلوگیری از نشت اطلاعات، اصول مبتنی بر اطلاعاتِ در دسترس در هر مقطع تاریخی را به کار گرفته است.
- نسبت‌های شارپ خارج از نمونه گزارش‌شده در برخی موارد از 10 بیشترند، اما نویسندگان احتمال بیش‌برازش و اثر شرایط خاص بازار را مطرح می‌کنند.
- هزینه‌های تراکنش، اثر بازار و بررسی‌های بیشتر استحکام می‌توانند نتایج را به‌طور چشمگیری تغییر دهند.
برچسب‌ها
متن کامل
# 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.)
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.