통계적 차익거래를 위한 어텐션 요인

기사 arXiv papers · 저자: Elliot L. Epstein et al.

요약

이 논문은 관련 주식을 식별하고 상대적 가격 왜곡을 찾아 거래 비용을 반영하는 트레이딩 정책을 구성하기 위해 조건부 잠재 요인을 학습하는 프레임워크를 개발합니다. 어텐션 요인은 기업 특성 임베딩으로 구성되어 특성 간 상호작용을 반영합니다. 시퀀스 모델은 잔차 포트폴리오에서 시계열 신호를 추출하며, 비용 차감 후 위험 조정 수익성을 목표로 요인 추정과 차익거래 전략을 공동 최적화합니다.

저자들은 미국 대형주를 대상으로 한 24년 기간의 표본 외 샤프 비율이 4를 넘었으며, 거래 비용을 차감한 단일 단계 해법의 샤프 비율은 2.3이라고 보고합니다. 또한 약한 요인도 차익거래 의사결정에 중요할 수 있다고 주장합니다. 발췌문에는 포트폴리오 구성, 실행 가정, 강건성 검증이 구체적으로 제시되지 않아, 보고된 결과는 연구에서 밝힌 대상 범위와 평가 설계 안에서 이해해야 합니다.

핵심 아이디어

기업 특성 임베딩에서 조건부 잠재 어텐션 요인을 학습합니다.
잔차 요인 포트폴리오에서 시퀀스 모델을 통해 시계열 신호를 얻습니다.
거래 비용을 반영하도록 요인 학습과 전략 구성을 공동 최적화합니다.
미국 대형주의 표본 외 샤프 성과가 높았다고 보고하며 약한 요인의 가치도 강조합니다.

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

비용을 고려한 통계적 차익거래의 어텐션 요인

요약

핵심 아이디어

태그