Facteurs d’attention pour l’arbitrage statistique intégrant les coûts

Résumé

L’article développe un cadre qui apprend des facteurs latents conditionnels afin d’identifier les actions liées, de détecter les erreurs de valorisation relatives et de définir une politique de trading tenant compte des coûts de transaction. Ses facteurs d’attention sont construits à partir de représentations vectorielles des caractéristiques des entreprises, ce qui permet de modéliser les interactions entre elles. Un modèle séquentiel extrait des signaux temporels de portefeuilles résiduels, et l’estimation des facteurs est optimisée conjointement avec la stratégie d’arbitrage pour viser une rentabilité ajustée au risque après coûts.

Les auteurs rapportent un ratio de Sharpe hors échantillon supérieur à quatre pour les plus grandes actions américaines sur une période de 24 ans, ainsi qu’un résultat obtenu sur un seul pas avec un ratio de Sharpe de 2.3, net des coûts de transaction. Ils soutiennent également que des facteurs plus faibles peuvent encore compter pour les décisions d’arbitrage. L’extrait ne précise ni la construction du portefeuille, ni les hypothèses d’exécution, ni les tests de robustesse ; les résultats rapportés doivent donc être interprétés dans le cadre de l’univers et du dispositif d’évaluation indiqués par l’étude.

Idées clés

• Des facteurs d’attention latents conditionnels sont appris à partir de représentations vectorielles des caractéristiques des entreprises.
• Des portefeuilles de facteurs résiduels fournissent des signaux de séries temporelles au moyen d’un modèle séquentiel.
• L’apprentissage des facteurs et la construction de la stratégie sont optimisés conjointement pour tenir compte des coûts de transaction.
• L’étude rapporte de solides résultats de Sharpe hors échantillon pour les grandes actions américaines et souligne l’intérêt des facteurs faibles.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.