समान इक्विटी में सांख्यिकीय आर्बिट्राज के लिए डीप लर्निंग

सारांश

यह दस्तावेज़ परिसंपत्ति मूल्य निर्धारण, समय-श्रृंखला मॉडलिंग और पोर्टफोलियो अनुकूलन को मिलाकर सांख्यिकीय आर्बिट्राज की रूपरेखा प्रस्तुत करता है। पहले यह समान परिसंपत्तियों की पहचान करने और अवशिष्ट पोर्टफोलियो बनाने के लिए सशर्त छिपे हुए मूल्य निर्धारण कारकों का उपयोग करता है, फिर कनवल्यूशनल ट्रांसफ़ॉर्मर से ट्रेडिंग संकेत निकालता है। ये संकेत जोखिम-समायोजित प्रतिफल अधिकतम करने के लिए बनाई गई बाधित नीति को दिए जाते हैं।

अनुभवजन्य अध्ययन दैनिक US इक्विटी डेटा का उपयोग करता है और बेंचमार्क तरीकों की तुलना में नमूने से बाहर औसत प्रतिफलों और शार्प अनुपातों के लगातार मजबूत होने की रिपोर्ट देता है। सारांश में नमूने की तारीखें, लेनदेन लागत का उपचार, जोखिम विवरण या विशिष्ट बेंचमार्क परिणाम नहीं दिए गए हैं, इसलिए इस विवरण से दावों का पूरा आकलन नहीं किया जा सकता। बताया गया साक्ष्य ऐतिहासिक, नमूने से बाहर के प्रदर्शन से संबंधित है; इससे यह सिद्ध नहीं होता कि लाइव ट्रेडिंग या कार्यान्वयन लागतों के बाद प्रतिफल जारी रहेंगे।

मुख्य विचार

• सशर्त छिपे हुए मूल्य निर्धारण कारकों पर आधारित अवशिष्ट पोर्टफोलियो समान परिसंपत्तियों के बीच आर्बिट्राज अवसर दर्शाते हैं।
• कनवल्यूशनल ट्रांसफ़ॉर्मर अवशिष्ट पोर्टफोलियो से समय-श्रृंखला संकेत निकालता है।
• संकेत जोखिम-समायोजित प्रतिफल लक्ष्य करने वाली बाधित ट्रेडिंग नीति तय करते हैं।
• बताए गए मूल्यांकन में दैनिक US इक्विटी और बेंचमार्क के मुकाबले नमूने से बाहर का प्रदर्शन शामिल है।
• संक्षिप्त विवरण में वास्तविक दुनिया की लाभप्रदता आँकने के लिए ज़रूरी कार्यान्वयन जानकारी नहीं है।

टैग

# 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.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।