Deep learning para arbitragem estatística entre ações semelhantes

Resumo

O documento apresenta uma estrutura de arbitragem estatística que combina precificação de ativos, modelagem de séries temporais e otimização de carteira. Primeiro, usa fatores de precificação latentes condicionais para identificar ativos semelhantes e construir carteiras de resíduos; em seguida, extrai sinais de trading com um transformer convolucional. Esses sinais alimentam uma política com restrições, projetada para maximizar retornos ajustados ao risco.

O estudo empírico usa dados diários de ações do US e relata retornos médios e índices de Sharpe consistentemente fortes fora da amostra em relação às abordagens de referência. O resumo não informa as datas da amostra, o tratamento dos custos de transação, detalhes de risco nem resultados específicos das referências, portanto não é possível avaliar plenamente as afirmações com base nesta descrição. As evidências apresentadas dizem respeito ao desempenho histórico fora da amostra; não demonstram que os retornos persistirão na negociação em mercado real ou após os custos de implementação.

Ideias principais

• Carteiras de resíduos baseadas em fatores de precificação latentes condicionais são usadas para representar oportunidades de arbitragem entre ativos semelhantes.
• Um transformer convolucional extrai sinais de séries temporais das carteiras de resíduos.
• Os sinais determinam uma política de trading com restrições, voltada a retornos ajustados ao risco.
• A avaliação relatada usa dados diários de ações de US e descreve o desempenho fora da amostra em comparação com referências.
• A breve descrição omite detalhes de implementação necessários para avaliar a rentabilidade no mundo real.

Tags

# 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.

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.