אסטרטגיות למידה עמוקה למסחר בשאריות של מודל גורמים
סיכום
מחקר זה משחזר גישת ארביטראז׳ סטטיסטי בלמידה עמוקה, הסוחרת בשאריות ממודלי גורמים לתמחור נכסים. הוא מיישם את השיטה המקורית על תקופה עדכנית יותר מחוץ למדגם, באמצעות נתוני מניות אמריקאיות מ־2016 עד 2024. תהליך העבודה עוקב אחר עיבוד הנתונים ומידול הגורמים של המחקר הקודם ומשתמש ברשתות עצביות קונבולוציוניות וב־Transformers. לדברי המחברים, הם יישמו שיטות התלויות במידע שהיה זמין בכל נקודת זמן כדי למנוע דליפת מידע.
בחלק מהבדיקות מתקבלים יחסי שארפ גבוהים במיוחד מחוץ למדגם, לעיתים מעל 10. המחברים מזהירים שהתוצאות עשויות לשקף התאמת יתר, תנאי שוק נוחים במיוחד או טיפול לא מספק בעלויות עסקה ובהשפעת שוק. הם קוראים לבדיקות חוסן נוספות ומציינים שהתוצאות חזקות יותר מהשיפורים המתונים יותר במחקר המקורי. התיאור שסופק אינו מדווח על כללי מסחר מפורטים, עלויות או ממצאי בדיקות חוסן, ולכן הוא מגביל את המסקנות על רווחיות בעולם האמיתי.
רעיונות מרכזיים
- האסטרטגיה מבקשת לסחור בשונות רוחבית בלתי מוסברת בשאריות של מודל גורמים.
- השחזור מיישם רשתות עצביות קונבולוציוניות ו־Transformers על תקופה עדכנית יותר של מניות אמריקאיות.
- המחקר מדווח על יישום עקרונות של מידע זמין בכל נקודת זמן למניעת דליפת מידע.
- חלק מיחסי שארפ המדווחים מחוץ למדגם עולים על 10, אך המחברים מציינים אפשרות להתאמת יתר ולהשפעות ייחודיות לשוק.
- עלויות עסקה, השפעת שוק ובדיקות חוסן נוספות עשויות לשנות את התוצאות במידה ניכרת.
תגיות
הטקסט המלא
# 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.)
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.