コンテンツへスキップ
ライブラリの全資料

コストを考慮した統計的裁定のアテンションファクター

記事 arXiv papers · 著者: Elliot L. Epstein et al.
原文を読む

サマリー

本論文は、関連する株式の特定、相対的な割高・割安の検出、取引コストを考慮した売買ポリシーの構築に向け、条件付き潜在ファクターを学習する枠組みを開発しています。アテンションファクターは企業特性の埋め込み表現から構築され、特性間の相互作用を可能にします。系列モデルが残差ポートフォリオから時系列シグナルを抽出し、コスト控除後のリスク調整後収益を目指して、ファクター推定と裁定戦略を同時に最適化します。

著者らは、米国大型株の24年間にわたる期間外テストでシャープレシオが4を超え、取引コスト控除後の1ステップ解ではシャープレシオが2.3だったと報告しています。また、弱いファクターも裁定判断に影響し得ると論じています。この抜粋にはポートフォリオ構築、執行上の仮定、頑健性検証が示されていないため、結果は本研究で明示された対象範囲と評価設計の中で理解する必要があります。

主なアイデア

  • 企業特性の埋め込み表現から、条件付き潜在アテンションファクターを学習します。
  • 残差ファクターポートフォリオから、系列モデルを通じて時系列シグナルを得ます。
  • 取引コストを考慮するため、ファクター学習と戦略構築を同時に最適化します。
  • 米国大型株で良好な期間外シャープレシオを報告し、弱いファクターにも価値があるとしています。

タグ

株式機械学習ペア取引
全文
# Attention Factors for Statistical Arbitrage


# Attention Factors for Statistical Arbitrage









Statistical arbitrage exploits temporal price differences between similar assets. We develop a framework to jointly identify similar assets through factors, identify mispricing and form a trading policy that maximizes risk-adjusted performance after trading costs. Our Attention Factors are conditional latent factors that are the most useful for arbitrage trading. They are learned from firm characteristic embeddings that allow for complex interactions. We identify time-series signals from the residual portfolios of our factors with a general sequence model. Estimating factors and the arbitrage trading strategy jointly is crucial to maximize profitability after trading costs. In a comprehensive empirical study we show that our Attention Factor model achieves an out-of-sample Sharpe ratio above 4 on the largest U.S. equities over a 24-year period. Our one-step solution yields an unprecedented Sharpe ratio of 2.3 net of transaction costs. We show that weak factors are important for arbitrage trading.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。