Fatores de atenção para arbitragem estatística

Resumo

O artigo desenvolve uma estrutura que aprende fatores latentes condicionais para identificar ações relacionadas, detectar avaliações relativas incorretas e formular uma política de trading que considera os custos de negociação. Seus fatores de atenção são construídos a partir de embeddings de características das empresas, permitindo interações entre essas características. Um modelo sequencial extrai sinais de séries temporais de carteiras residuais, e a estimação dos fatores é otimizada em conjunto com a estratégia de arbitragem para buscar rentabilidade ajustada ao risco após os custos.

Os autores relatam um índice de Sharpe fora da amostra acima de quatro para as maiores ações dos EUA ao longo de um período de 24 anos, e uma solução de uma etapa com índice de Sharpe de 2.3 líquido dos custos de transação. Eles também argumentam que fatores mais fracos ainda podem ser relevantes para decisões de arbitragem. O trecho não especifica a construção da carteira, as premissas de execução ou os testes de robustez; portanto, os resultados relatados devem ser entendidos dentro do universo e do desenho de avaliação definidos pelo estudo.

Ideias principais

• Fatores latentes condicionais de atenção são aprendidos a partir de embeddings de características das empresas.
• Carteiras de fatores residuais fornecem sinais de séries temporais por meio de um modelo sequencial.
• O aprendizado dos fatores e a construção da estratégia são otimizados em conjunto para considerar os custos de negociação.
• O estudo relata resultados fortes de Sharpe fora da amostra para ações de grande porte dos EUA e destaca o valor de fatores fracos.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.