Факторы внимания для статистического арбитража с учётом издержек

Сводка

В статье разработан подход, который обучает условные латентные факторы для выявления связанных акций, обнаружения относительной неправильной оценки и формирования торговой политики с учётом торговых издержек. Факторы внимания строятся на основе эмбеддингов характеристик компаний, что позволяет учитывать взаимодействия между этими характеристиками. Последовательная модель извлекает временные сигналы из остаточных портфелей, а оценка факторов совместно оптимизируется с арбитражной стратегией для достижения доходности с поправкой на риск после издержек.

Авторы сообщают о вневыборочном коэффициенте Шарпа выше четырёх для крупнейших акций США за период в 24 лет и о решении в один шаг с коэффициентом Шарпа 2.3 после учёта транзакционных издержек. Они также утверждают, что более слабые факторы всё ещё могут иметь значение для арбитражных решений. В отрывке не указаны построение портфеля, допущения об исполнении или проверки устойчивости, поэтому заявленные результаты следует рассматривать в рамках указанной в исследовании совокупности активов и схемы оценки.

Ключевые идеи

• Условные латентные факторы внимания обучаются на эмбеддингах характеристик компаний.
• Остаточные факторные портфели дают временные сигналы через последовательную модель.
• Обучение факторов и построение стратегии оптимизируются совместно с учётом торговых издержек.
• Исследование сообщает о высоких вневыборочных коэффициентах Шарпа для крупных акций США и подчёркивает ценность слабых факторов.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.