Глубокое обучение для статистического арбитража на польских акциях
Сводка
Исследование адаптирует подход парного трейдинга к польским акциям: актив сравнивается с его репликацией, построенной на факторах риска, а не с другим активом, имеющим высокую корреляцию. Факторы строятся с помощью анализа главных компонент, биржевых инвестиционных фондов или сетей долгой краткосрочной памяти, после чего полученные остатки моделируются процессом Орнштейна — Уленбека. Сигналы генерируются для портфелей, остатки которых достаточно быстро возвращаются к среднему. В реализации используются компоненты польских фондовых индексов и местные допущения, включая безрисковые ставки и транзакционные издержки.
Представленная оценка охватывает 2017–2019 и рецессионный год 2020. В более раннем периоде все подходы прибыльны: PCA показывает совокупную доходность около 20 процентов и коэффициент Шарпа до 2.63. В 2020 подход ETF сохраняет прибыльность с годовой доходностью около 5 процентов, тогда как результаты PCA и LSTM хуже. Выводы ограничены указанными периодами и адаптацией к рынку; отрицательные результаты LSTM показывают, что эффективность этого подхода данным исследованием не подтверждена.
Ключевые идеи
- Вместо сопоставления со вторым коррелирующим активом стратегия реплицирует актив с помощью факторов риска.
- Для построения репликации используются PCA, ETF и LSTM.
- Остатки моделируются процессом Орнштейна — Уленбека для выявления сигналов возврата к среднему.
- В исследовании подход адаптирован к польским индексам и местным условиям торговли.
- В более раннем тестовом периоде лидирует PCA, а во время 2020 прибыльным остаётся только подход ETF.
Теги
Полный текст
# 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.
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.