Arbitragem estatística com aprendizado profundo por posição em valor de mercado

Resumo

Este trabalho propõe representar ações por sua posição no ranking de capitalização de mercado, em vez de pela identidade da empresa. A motivação é que representações convencionais baseadas em nomes podem ser ruidosas e voláteis, dificultando o aprendizado de padrões por redes neurais profundas. No espaço de posições, as ações são organizadas pela posição relativa em capitalização, criando uma visão transformada do comportamento do mercado para pesquisas de arbitragem estatística.

Os autores relatam que redes neurais profundas têm melhor desempenho em arbitragem estatística no espaço de posições do que no espaço de nomes. Atribuem a melhoria a representações de mercado mais robustas e a um comportamento mais forte de reversão à média nos retornos residuais, o que pode tornar o aprendizado mais eficaz. A descrição não especifica o universo, o período da amostra, as regras de trading, os custos ou as medidas de desempenho, e não apresenta resultados numéricos. Portanto, a vantagem alegada deve ser entendida como um resultado comparativo relatado, não como evidência de que modelos baseados em posições terão desempenho superior em diferentes mercados ou na execução ao vivo.

Ideias principais

• O método indexa ações pela posição em capitalização de mercado, em vez do nome da empresa.
• A transformação busca reduzir o ruído e melhorar a estrutura das representações de mercado.
• Relata-se que redes neurais profundas têm melhor desempenho em arbitragem estatística no espaço de posições.
• Os autores relacionam o ganho a uma reversão à média mais forte nos retornos residuais.
• A descrição fornecida omite custos de trading, detalhes da amostra e evidências numéricas de desempenho.

Tags

# 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.

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.