類似株式の統計的裁定取引におけるディープラーニング
記事 arXiv papers · 著者: Jorge Guijarro-Ordonez et al.
サマリー
本研究は、資産価格モデル、時系列モデリング、ポートフォリオ最適化を組み合わせた統計的裁定取引の枠組みを提示します。まず条件付き潜在価格要因を使って類似資産を特定し、残差ポートフォリオを構築した後、畳み込みトランスフォーマーで売買シグナルを抽出します。そのシグナルを、リスク調整後リターンの最大化を目指す制約付き方策に入力します。
実証研究では、日次のUS株式データを使用し、ベンチマーク手法と比べて、アウト・オブ・サンプルの平均リターンとシャープレシオが一貫して高いと報告しています。要約には対象期間、取引コストの扱い、リスクの詳細、具体的なベンチマーク結果が示されていないため、この説明だけでは主張を十分に評価できません。示されているのは過去データにおけるアウト・オブ・サンプル成績であり、実運用や実装コスト控除後もリターンが続くことを立証するものではありません。
主なアイデア
- 条件付き潜在価格要因に基づく残差ポートフォリオを使い、類似資産間の裁定機会を表現します。
- 畳み込みトランスフォーマーが残差ポートフォリオから時系列シグナルを抽出します。
- シグナルを用いて、リスク調整後リターンを目指す制約付きトレード方策を決定します。
- 報告された評価では、日次のUS株式を用い、ベンチマークと比較したアウト・オブ・サンプル成績が示されています。
- 短い説明には、実際の収益性を判断するために必要な実装の詳細がありません。
タグ
全文
# 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.
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。