시가총액 순위 공간에서 딥러닝 통계적 차익거래
기사 arXiv papers · 저자: Y. -F. Li et al.
요약
기업명 대신 시가총액 순위로 주식을 나타내는 방식을 제안합니다. 기존의 기업명 기반 표현은 잡음이 많고 변동성이 커서 딥러닝 신경망이 패턴을 학습하기 어려울 수 있다는 점에서 출발합니다. 순위 공간에서는 상대적인 시가총액 순위에 따라 주식을 배열해 통계적 차익거래 연구를 위한 변환된 시장 표현을 만듭니다.
저자들은 딥러닝 신경망이 기업명 공간보다 순위 공간에서 통계적 차익거래 성과가 더 좋았다고 보고합니다. 이를 더 강건한 시장 표현과 잔차수익률의 더 강한 평균회귀 성향에 따른 것으로 설명하며, 이런 특성이 학습 효과를 높일 수 있다고 봅니다. 설명에는 투자 유니버스, 표본 기간, 트레이딩 규칙, 비용 또는 성과 지표가 명시되지 않았고 수치 결과도 없습니다. 따라서 보고된 비교 결과로 이해해야 하며, 순위 기반 모델이 여러 시장이나 실거래에서 성과를 낼 것이라는 증거는 아닙니다.
핵심 아이디어
- 기업명 대신 시가총액 순위로 주식을 표시합니다.
- 시장 표현의 잡음을 줄이고 구조를 개선하는 것이 변환의 목표입니다.
- 딥러닝 신경망은 순위 공간에서 통계적 차익거래 성과가 더 좋았다고 보고됐습니다.
- 저자들은 성과 향상을 잔차수익률의 더 강한 평균회귀와 연결합니다.
- 제공된 설명에는 거래 비용, 표본 세부사항, 수치 성과 근거가 없습니다.
태그
전문
# 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.
출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0
이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.