Réplication par apprentissage profond pour l’arbitrage statistique sur les actions polonaises

Résumé

L’étude adapte une approche de trading par paires aux actions polonaises en comparant un actif à une réplication construite à partir de facteurs de risque, au lieu de l’associer à un second actif fortement corrélé. Elle construit des facteurs à l’aide de l’analyse en composantes principales, de fonds négociés en bourse ou de réseaux à mémoire à long et court terme, puis modélise les résidus obtenus par un processus d’Ornstein-Uhlenbeck. Des signaux sont générés pour les portefeuilles dont les résidus reviennent suffisamment vite à leur moyenne. La mise en œuvre utilise des composantes d’indices polonais et des hypothèses propres au marché local, notamment les taux sans risque et les coûts de transaction.

L’évaluation rapportée couvre 2017–2019 et l’année de récession 2020. Toutes les approches sont rentables sur la période antérieure, l’PCA atteignant environ 20 pour cent de rendement cumulé et un ratio de Sharpe pouvant aller jusqu’à 2.63. En 2020, l’approche ETF reste rentable, avec environ 5 pour cent de rendement annuel, tandis que PCA et LSTM sous-performent. Les éléments présentés se limitent aux périodes indiquées et à l’adaptation au marché ; les résultats négatifs de LSTM indiquent que ses performances ne sont pas établies par cette étude.

Idées clés

• La stratégie réplique un actif à l’aide de facteurs de risque au lieu de l’associer à un second actif corrélé.
• PCA, les ETF et les LSTM servent à construire la réplication.
• Les résidus sont modélisés par un processus d’Ornstein-Uhlenbeck pour repérer les signaux de retour à la moyenne.
• L’étude adapte le cadre aux indices polonais et aux hypothèses de trading locales.
• PCA arrive en tête pendant la période de test antérieure, tandis que seule l’approche ETF reste rentable en 2020.

Étiquettes

# Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques


# Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques









We study a systematic approach to a popular Statistical Arbitrage technique: Pairs Trading. Instead of relying on two highly correlated assets, we replace the second asset with a replication of the first using risk factor representations. These factors are obtained through Principal Components Analysis (PCA), exchange traded funds (ETFs), and, as our main contribution, Long Short Term Memory networks (LSTMs). Residuals between the main asset and its replication are examined for mean reversion properties, and trading signals are generated for sufficiently fast mean reverting portfolios. Beyond introducing a deep learning based replication method, we adapt the framework of Avellaneda and Lee (2008) to the Polish market. Accordingly, components of WIG20, mWIG40, and selected sector indices replace the original S&P500 universe, and market parameters such as the risk free rate and transaction costs are updated to reflect local conditions. We outline the full strategy pipeline: risk factor construction, residual modeling via the Ornstein Uhlenbeck process, and signal generation. Each replication technique is described together with its practical implementation. Strategy performance is evaluated over two periods: 2017-2019 and the recessive year 2020. All methods yield profits in 2017-2019, with PCA achieving roughly 20 percent cumulative return and an annualized Sharpe ratio of up to 2.63. Despite multiple adaptations, our conclusions remain consistent with those of the original paper. During the COVID-19 recession, only the ETF based approach remains profitable (about 5 percent annual return), while PCA and LSTM methods underperform. LSTM results, although negative, are promising and indicate potential for future optimization.

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.