Stratégies d’apprentissage profond pour le trading des résidus de modèles factoriels

Résumé

Cette étude reproduit une approche d’arbitrage statistique par apprentissage profond qui négocie les résidus de modèles factoriels d’évaluation des actifs. Elle applique la méthode initiale à une période hors échantillon plus récente, à partir de données sur les actions américaines de 2016 à 2024. Le processus reprend le prétraitement des données et la modélisation factorielle de l’étude antérieure, et utilise des réseaux neuronaux convolutifs et des Transformers. Les auteurs indiquent avoir appliqué des pratiques « point-in-time » pour éviter les fuites d’information.

Certains tests produisent des ratios de Sharpe hors échantillon inhabituellement élevés, dépassant parfois 10. Les auteurs avertissent que ces résultats peuvent refléter un surajustement, des conditions de marché exceptionnellement favorables ou une prise en compte insuffisante des coûts de transaction et de l’impact de marché. Ils demandent des vérifications de robustesse supplémentaires et relèvent que les résultats sont plus marqués que les améliorations plus modestes de la recherche initiale. La description fournie ne présente ni règles de trading détaillées, ni coûts, ni résultats des vérifications de robustesse, ce qui limite les conclusions sur la rentabilité réelle.

Idées clés

• La stratégie cherche à négocier la variation transversale inexpliquée des résidus de modèles factoriels.
• La reproduction applique des réseaux neuronaux convolutifs et des Transformers à une période plus récente sur les actions américaines.
• L’étude indique appliquer des principes « point-in-time » pour prévenir les fuites d’information.
• Certains ratios de Sharpe hors échantillon rapportés dépassent 10, mais les auteurs signalent un possible surajustement et des effets propres au marché.
• Les coûts de transaction, l’impact de marché et des vérifications de robustesse supplémentaires pourraient modifier sensiblement les résultats.

Étiquettes

# 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.)

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.