Arbitrage statistique par apprentissage profond dans l’espace des rangs de capitalisation boursière

Résumé

Ce travail propose de représenter les actions selon leur rang de capitalisation plutôt que par l’identité de l’entreprise. Il part du constat que les représentations classiques fondées sur les noms peuvent être bruitées et volatiles, ce qui complique l’apprentissage de motifs par des réseaux neuronaux profonds. Dans l’espace des rangs, les actions sont organisées selon leur position relative en capitalisation, créant une représentation transformée du comportement du marché pour la recherche en arbitrage statistique.

Les auteurs rapportent que les réseaux neuronaux profonds obtiennent de meilleurs résultats en arbitrage statistique dans l’espace des rangs que dans l’espace des noms. Ils attribuent cette amélioration à des représentations du marché plus robustes et à un comportement de retour à la moyenne plus marqué des rendements résiduels, susceptible de faciliter l’apprentissage. La description ne précise ni l’univers, ni la période de l’échantillon, ni les règles de trading, les coûts ou les mesures de performance, et ne donne aucun résultat chiffré. L’avantage annoncé doit donc être compris comme une comparaison rapportée, et non comme la preuve que les modèles fondés sur les rangs surperformeront sur tous les marchés ou en exécution réelle.

Idées clés

• La méthode classe les actions par rang de capitalisation plutôt que par nom d’entreprise.
• La transformation vise à réduire le bruit et à améliorer la structure des représentations du marché.
• Les réseaux neuronaux profonds auraient de meilleures performances en arbitrage statistique dans l’espace des rangs.
• Les auteurs relient ce gain à un retour à la moyenne plus marqué des rendements résiduels.
• La description fournie ne précise ni les coûts de trading, ni les détails de l’échantillon, ni les mesures chiffrées des performances.

Étiquettes

# 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.

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.