ארביטראז׳ סטטיסטי בלמידה עמוקה במרחב דירוג שווי השוק
סיכום
עבודה זו מציעה לייצג מניות לפי דירוגן בשווי השוק במקום לפי זהות החברה. הסיבה לכך היא שייצוגים מקובלים לפי שמות עשויים להיות רועשים ותנודתיים, ולכן קשה לרשתות נוירונים עמוקות ללמוד מהם דפוסים. במרחב הדירוג המניות מסודרות לפי מיקומן היחסי בשווי השוק, וכך נוצרת תמונה מותמרת של התנהגות השוק למחקר ארביטראז׳ סטטיסטי.
המחברים מדווחים שרשתות נוירונים עמוקות מציגות ביצועים טובים יותר בארביטראז׳ סטטיסטי במרחב הדירוג מאשר במרחב השמות. הם מייחסים את השיפור לייצוגים חסינים יותר של השוק ולהתנהגות חזקה יותר של חזרה לממוצע בתשואות השארית, שעשויה לייעל את הלמידה. התיאור אינו מפרט את יקום הנכסים, תקופת המדגם, כללי המסחר, העלויות או מדדי הביצועים, ואינו מספק תוצאות מספריות. לכן יש להבין את היתרון הנטען כממצא השוואתי מדווח, ולא כראיה שמודלים מבוססי דירוג ישיגו ביצועים טובים יותר בכל השווקים או בביצוע חי.
רעיונות מרכזיים
- השיטה מדרגת מניות לפי שווי השוק במקום לפי שם החברה.
- ההתמרה נועדה לצמצם רעש ולשפר את מבנה ייצוגי השוק.
- לפי הדיווח, רשתות נוירונים עמוקות מציגות ביצועים טובים יותר לארביטראז׳ סטטיסטי במרחב הדירוג.
- המחברים קושרים את השיפור לחזרה חזקה יותר לממוצע בתשואות השארית.
- התיאור שסופק אינו כולל עלויות מסחר, פרטי מדגם או ראיות מספריות לביצועים.
תגיות
הטקסט המלא
# 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.
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.