Replicação com Deep Learning para Arbitragem Estatística em Ações Polonesas
Resumo
O estudo adapta uma estrutura de pairs trading a ações polonesas, comparando um ativo com uma réplica construída a partir de fatores de risco, em vez de pareá-lo com um segundo ativo altamente correlacionado. Constrói fatores usando Análise de Componentes Principais, fundos negociados em bolsa ou redes Long Short Term Memory e, em seguida, modela os resíduos resultantes com um processo de Ornstein-Uhlenbeck. Os sinais são gerados para carteiras cujos resíduos revertem à média com rapidez suficiente. A implementação usa componentes de índices poloneses e premissas do mercado local, incluindo taxas livres de risco e custos de transação.
A avaliação relatada cobre 2017–2019 e o ano de recessão 2020. Todas as abordagens são lucrativas no período anterior, com PCA alcançando retorno acumulado de aproximadamente 20 por cento e índice de Sharpe de até 2.63. Em 2020, a abordagem ETF continua lucrativa, com retorno anual de cerca de 5 por cento, enquanto PCA e LSTM têm desempenho inferior. As evidências se limitam aos períodos indicados e à adaptação ao mercado; os resultados negativos de LSTM indicam que seu desempenho não é comprovado por este estudo.
Ideias principais
- A estratégia replica um ativo usando fatores de risco em vez de pareá-lo com um segundo ativo correlacionado.
- PCA, ETFs e LSTMs são usados para construir a réplica.
- Os resíduos são modelados com um processo de Ornstein-Uhlenbeck para identificar sinais de reversão à média.
- O estudo adapta a estrutura a índices poloneses e às premissas locais de negociação.
- PCA lidera no período de teste anterior, enquanto apenas a abordagem ETF continua lucrativa durante 2020.
Tags
Texto completo
# Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques # Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques 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.
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.