時価総額順位空間での深層学習による統計的裁定
記事 arXiv papers · 著者: Y. -F. Li et al.
サマリー
本研究では、企業名ではなく時価総額における順位で株式を表す方法を提案します。従来の企業名ベースの表現にはノイズが多く変動しやすいため、深層ニューラルネットワークがパターンを学習しにくいという問題意識に基づいています。順位空間では、時価総額の相対的な順位に沿って株式を並べ、統計的裁定研究のために市場の見方を変換します。
著者らは、順位空間での統計的裁定において、深層ニューラルネットワークが企業名空間より良い成績を示すと報告しています。その改善を、より頑健な市場表現と、残差リターンにおける強い平均回帰性に帰し、これにより学習が効果的になる可能性があるとしています。説明には対象銘柄群、サンプル期間、売買ルール、コスト、成績指標が記載されず、数値結果もありません。したがって、報告された比較結果として理解すべきであり、順位ベースのモデルがさまざまな市場や実運用で優位になる証拠ではありません。
主なアイデア
- 企業名の代わりに時価総額順位で株式をインデックス化します。
- この変換は、ノイズを減らし、市場表現の構造を改善することを目指します。
- 順位空間での統計的裁定では、深層ニューラルネットワークの成績がより良いと報告されています。
- 著者らは、この改善を残差リターンの強い平均回帰性と関連付けています。
- 提示された説明には取引コスト、サンプルの詳細、数値的な成績の証拠がありません。
タグ
全文
# 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.
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。