본문으로 건너뛰기
라이브러리 문서 전체

팩터 모형 잔차를 거래하는 딥러닝 전략

기사 arXiv papers · 저자: Wo Long et al.
원문 읽기

요약

이 연구는 자산 가격 팩터 모형의 잔차를 거래하는 딥러닝 기반 통계적 차익거래 접근법을 재현합니다. 미국 주식 데이터를 사용해 원래 방법을 더 최근의 표본 외 기간인 2016부터 2024까지 적용합니다. 기존 연구의 데이터 전처리와 팩터 모델링 과정을 따르며 합성곱 신경망과 트랜스포머를 사용합니다. 저자들은 정보 누출을 막기 위해 시점별 원칙을 적용했다고 설명합니다.

일부 테스트에서는 표본 외 샤프 비율이 이례적으로 높아 10을 넘기도 합니다. 저자들은 이런 결과가 과적합이나 유난히 유리한 시장 상황, 거래 비용과 시장 충격의 불충분한 반영 때문일 수 있다고 경고합니다. 추가 강건성 검증이 필요하다고 말하며, 원래 연구의 비교적 완만한 개선보다 결과가 더 강하게 나타났다고 덧붙입니다. 제공된 설명에는 세부 거래 규칙과 비용, 강건성 분석 결과가 없어 실제 수익성에 대한 결론이 제한됩니다.

핵심 아이디어

  • 이 전략은 팩터 모형 잔차의 설명되지 않은 횡단면 변동을 거래하는 것을 목표로 합니다.
  • 재현 연구는 더 최근 미국 주식 기간에 합성곱 신경망과 트랜스포머를 적용합니다.
  • 연구는 정보 누출 방지를 위해 시점별 원칙을 적용했다고 보고합니다.
  • 일부 보고된 표본 외 샤프 비율은 10을 넘지만, 저자들은 과적합과 시장별 효과의 가능성을 지적합니다.
  • 거래 비용과 시장 충격, 추가 강건성 검증에 따라 결과가 크게 달라질 수 있습니다.

태그

주식머신러닝차익 거래팩터 투자백테스트주문 집행
전문
# A Deep Learning Approach for Trading Factor Residuals


# A Deep Learning Approach for Trading Factor Residuals









The residuals in factor models prevalent in asset pricing presents opportunities to exploit the mis-pricing from unexplained cross-sectional variation for arbitrage. We performed a replication of the methodology of Guijarro-Ordonez et al. (2019) (G-P-Z) on Deep Learning Statistical Arbitrage (DLSA), originally applied to U.S. equity data from 1998 to 2016, using a more recent out-of-sample period from 2016 to 2024. Adhering strictly to point-in-time (PIT) principles and ensuring no information leakage, we follow the same data pre-processing, factor modeling, and deep learning architectures (CNNs and Transformers) as outlined by G-P-Z. Our replication yields unusually strong performance metrics in certain tests, with out-of-sample Sharpe ratios occasionally exceeding 10. While such results are intriguing, they may indicate model overfitting, highly specific market conditions, or insufficient accounting for transaction costs and market impact. Further examination and robustness checks are needed to align these findings with the more modest improvements reported in the original study. (This work was conducted as the final project for IEOR 4576: Data-Driven Methods in Finance at Columbia University.)

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

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