למידה עמוקה לארביטראז׳ סטטיסטי במניות דומות
סיכום
המסמך מציג מסגרת לארביטראז׳ סטטיסטי המשלבת תמחור נכסים, מידול סדרות עיתיות ואופטימיזציה של תיק. תחילה נעשה שימוש בגורמי תמחור חבויים מותנים לזיהוי נכסים דומים ולבניית תיקי שאריות, ולאחר מכן מופקים אותות מסחר באמצעות transformer קונבולוציוני. האותות מוזנים למדיניות מוגבלת שנועדה למקסם תשואות מותאמות לסיכון.
המחקר האמפירי משתמש בנתוני מניות אמריקאיות יומיים של US ומדווח על תשואות ממוצעות ויחסי Sharpe גבוהים בעקביות מחוץ למדגם, ביחס לגישות ייחוס. התקציר אינו מספק תאריכי מדגם, טיפול בעלויות עסקה, פרטי סיכון או תוצאות ייחוס ספציפיות, ולכן אי אפשר להעריך את הטענות במלואן על סמך תיאור זה. הראיות המוצגות נוגעות לביצועים היסטוריים מחוץ למדגם; הן אינן מבססות שהתשואות יימשכו במסחר חי או לאחר עלויות יישום.
רעיונות מרכזיים
- תיקי שאריות המבוססים על גורמי תמחור חבויים מותנים משמשים לייצוג הזדמנויות ארביטראז׳ בין נכסים דומים.
- Transformer קונבולוציוני מפיק אותות מסדרות עיתיות מתיקי השאריות.
- האותות קובעים מדיניות מסחר מוגבלת שמכוונת לתשואות מותאמות לסיכון.
- ההערכה המדווחת משתמשת בנתונים יומיים על US מניות ומתארת ביצועים מחוץ למדגם ביחס למדדי ייחוס.
- התיאור הקצר משמיט פרטי יישום הדרושים להערכת רווחיות בעולם האמיתי.
תגיות
הטקסט המלא
# 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.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.