Estratégias de deep learning para negociar resíduos de modelos fatoriais

Resumo

Este estudo replica uma abordagem de arbitragem estatística com deep learning que negocia resíduos de modelos fatoriais de precificação de ativos. Aplica o método original a um período fora da amostra mais recente, usando dados de ações dos EUA de 2016 a 2024. O fluxo de trabalho segue o pré-processamento de dados e a modelagem fatorial do estudo anterior e usa redes neurais convolucionais e Transformers. Os autores afirmam que aplicaram práticas de ponto no tempo para evitar vazamento de informações.

Alguns testes produzem índices de Sharpe fora da amostra excepcionalmente altos, por vezes acima de 10. Os autores alertam que esses resultados podem refletir sobreajuste, condições de mercado excepcionalmente favoráveis ou tratamento inadequado dos custos de transação e do impacto de mercado. Eles pedem mais verificações de robustez e observam que os resultados são mais fortes do que as melhorias mais modestas da pesquisa original. A descrição fornecida não apresenta regras detalhadas de trading, custos ou resultados de robustez, o que limita as conclusões sobre rentabilidade no mundo real.

Ideias principais

• A estratégia busca negociar a variação transversal não explicada nos resíduos de modelos fatoriais.
• A replicação aplica redes neurais convolucionais e Transformers a um período mais recente de ações dos EUA.
• O estudo relata a aplicação de princípios de ponto no tempo para evitar vazamento de informações.
• Alguns índices de Sharpe fora da amostra relatados superam 10, mas os autores apontam possível sobreajuste e efeitos específicos do mercado.
• Custos de transação, impacto de mercado e verificações adicionais de robustez podem alterar materialmente os resultados.

Tags

# 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.)

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.