Arbitrage statistique sur actions similaires par deep learning | Stratmill

Résumé

Le document présente un cadre d’arbitrage statistique qui combine évaluation des actifs, modélisation des séries temporelles et optimisation de portefeuille. Il utilise d’abord des facteurs de valorisation latents conditionnels pour repérer des actifs similaires et construire des portefeuilles de résidus, puis extrait des signaux de trading avec un transformeur convolutionnel. Ces signaux alimentent une politique sous contraintes visant à maximiser les rendements ajustés du risque.

L’étude empirique utilise des données quotidiennes sur les actions US et fait état de rendements moyens hors échantillon et de ratios de Sharpe constamment élevés par rapport aux approches de référence. Le résumé ne précise ni les dates de l’échantillon, ni le traitement des coûts de transaction, ni les détails du risque ou les résultats de référence, de sorte que ces affirmations ne peuvent être pleinement évaluées à partir de cette description. Les éléments présentés concernent des performances historiques hors échantillon ; ils ne démontrent pas que les rendements se maintiendront en trading réel ou après prise en compte des coûts de mise en œuvre.

Idées clés

• Des portefeuilles de résidus fondés sur des facteurs de valorisation latents conditionnels servent à représenter les possibilités d’arbitrage entre actifs similaires.
• Un transformeur convolutionnel extrait des signaux de séries temporelles des portefeuilles de résidus.
• Les signaux déterminent une politique de trading sous contraintes visant des rendements ajustés du risque.
• L’évaluation rapportée porte sur des actions US quotidiennes et décrit les performances hors échantillon par rapport à des références.
• La brève description omet des détails de mise en œuvre nécessaires pour évaluer la rentabilité en conditions réelles.

Étiquettes

# 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.

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.