폴란드 주식 통계적 차익거래

기사 arXiv papers · 저자: Marek Adamczyk et al.

요약

이 연구는 자산을 상관성이 높은 다른 자산과 짝짓는 대신, 위험 요인으로 구성한 복제 포트폴리오와 비교하는 방식으로 폴란드 주식에 페어 트레이딩 틀을 적용합니다. 주성분 분석, 상장지수펀드 또는 장단기 기억 네트워크를 사용해 요인을 구성한 뒤 오르슈타인-울렌베크 과정으로 잔차를 모형화합니다. 잔차가 충분히 빠르게 평균 회귀하는 포트폴리오에 신호를 생성합니다. 구현에는 폴란드 지수 구성 종목과 무위험 금리 및 거래 비용을 포함한 현지 시장 가정을 사용합니다.

보고된 평가는 2017–2019과 경기 침체기인 2020년을 다룹니다. 앞선 기간에는 모든 접근법이 수익을 냈으며, PCA는 누적 수익률 약 20%와 샤프 비율 최대 2.63를 기록했습니다. 2020년에는 ETF 접근법이 연간 수익률 약 5%로 수익을 유지한 반면, PCA와 LSTM은 성과가 저조했습니다. 근거는 명시된 기간과 시장에 맞춘 적용에 한정됩니다. LSTM의 부진한 결과를 보면 이 연구만으로 해당 접근법의 성과가 입증되지는 않습니다.

핵심 아이디어

두 번째 상관 자산과 짝짓는 대신 위험 요인으로 자산을 복제하는 전략입니다.
PCA, ETFs, LSTMs를 사용해 복제를 구성합니다.
오르슈타인-울렌베크 과정으로 잔차를 모형화해 평균 회귀 신호를 찾습니다.
폴란드 지수와 현지 거래 가정에 맞게 틀을 적용합니다.
초기 테스트 기간에는 PCA이 앞서고, 2020에는 ETF 접근법만 수익을 유지합니다.

We study a systematic approach to a popular Statistical Arbitrage technique: Pairs Trading. Instead of relying on two highly correlated assets, we replace the second asset with a replication of the first using risk factor representations. These factors are obtained through Principal Components Analysis (PCA), exchange traded funds (ETFs), and, as our main contribution, Long Short Term Memory networks (LSTMs). Residuals between the main asset and its replication are examined for mean reversion properties, and trading signals are generated for sufficiently fast mean reverting portfolios. Beyond introducing a deep learning based replication method, we adapt the framework of Avellaneda and Lee (2008) to the Polish market. Accordingly, components of WIG20, mWIG40, and selected sector indices replace the original S&P500 universe, and market parameters such as the risk free rate and transaction costs are updated to reflect local conditions. We outline the full strategy pipeline: risk factor construction, residual modeling via the Ornstein Uhlenbeck process, and signal generation. Each replication technique is described together with its practical implementation. Strategy performance is evaluated over two periods: 2017-2019 and the recessive year 2020. All methods yield profits in 2017-2019, with PCA achieving roughly 20 percent cumulative return and an annualized Sharpe ratio of up to 2.63. Despite multiple adaptations, our conclusions remain consistent with those of the original paper. During the COVID-19 recession, only the ETF based approach remains profitable (about 5 percent annual return), while PCA and LSTM methods underperform. LSTM results, although negative, are promising and indicate potential for future optimization.

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

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

폴란드 주식 통계적 차익거래를 위한 딥러닝 복제 방법

요약

핵심 아이디어

태그