Глубокое обучение для статистического арбитража схожих акций

Сводка

В документе представлен подход к статистическому арбитражу, объединяющий ценообразование активов, моделирование временных рядов и оптимизацию портфеля. Сначала условные латентные факторы ценообразования используются для выявления схожих активов и построения портфелей остатков, затем свёрточный трансформер извлекает торговые сигналы. Эти сигналы подаются на вход ограниченной политике, предназначенной для максимизации доходности с поправкой на риск.

В эмпирическом исследовании используются дневные данные по акциям США US; сообщается о стабильно высоких средних доходностях и коэффициентах Шарпа вне выборки относительно эталонных подходов. В кратком описании не указаны даты выборки, учёт транзакционных издержек, детали риска или конкретные результаты сравнения с эталонами, поэтому полноценно оценить утверждения по нему нельзя. Приведённые данные относятся к историческим результатам вне выборки; они не доказывают, что доходность сохранится в реальной торговле или после учёта издержек реализации.

Ключевые идеи

• Портфели остатков на основе условных латентных факторов ценообразования используются для представления арбитражных возможностей между схожими активами.
• Свёрточный трансформер извлекает временные сигналы из портфелей остатков.
• На основе сигналов формируется ограниченная торговая политика, ориентированная на доходность с поправкой на риск.
• В указанной оценке используются дневные данные по акциям США US и рассматриваются результаты вне выборки относительно эталонов.
• Краткое описание не содержит деталей реализации, необходимых для оценки прибыльности в реальных условиях.

Теги

# 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.

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.