유사 주식의 통계적 차익거래를 위한 심층학습
기사 arXiv papers · 저자: Jorge Guijarro-Ordonez et al.
요약
이 문서는 자산 가격 결정, 시계열 모형화, 포트폴리오 최적화를 결합한 통계적 차익거래 프레임워크를 제시합니다. 먼저 조건부 잠재 가격 요인으로 유사 자산을 찾아 잔차 포트폴리오를 구성한 다음, 합성곱 트랜스포머로 거래 신호를 추출합니다. 이 신호는 위험 조정 수익률 극대화를 목표로 하는 제약 정책에 입력됩니다.
실증 연구는 일별 US 주식 데이터를 사용하고 기준 접근법보다 표본 외 평균 수익률과 샤프 비율이 일관되게 강했다고 보고합니다. 요약에는 표본 날짜, 거래 비용 처리, 위험 세부사항, 구체적인 기준 결과가 없어 이 설명만으로 주장을 충분히 평가할 수 없습니다. 제시된 증거는 과거 표본 외 성과에 관한 것이며, 실거래나 실행 비용 차감 후에도 수익이 지속된다는 점을 입증하지 않습니다.
핵심 아이디어
- 조건부 잠재 가격 요인에 기반한 잔차 포트폴리오로 유사 자산 사이의 차익거래 기회를 나타냅니다.
- 합성곱 트랜스포머가 잔차 포트폴리오에서 시계열 신호를 추출합니다.
- 신호에 따라 위험 조정 수익률을 목표로 하는 제약 트레이딩 정책을 정합니다.
- 보고된 평가는 일별 US 주식을 사용하며 기준 전략과 표본 외 성과를 비교합니다.
- 짧은 설명에는 실제 수익성을 판단하는 데 필요한 실행 세부사항이 빠져 있습니다.
태그
전문
# 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.
출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0
이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.