Глубокое обучение для статистического арбитража в пространстве рангов капитализации

Сводка

В этой работе предлагается представлять акции через их ранг по рыночной капитализации, а не по названию компании. Причина в том, что традиционные представления на основе названий могут быть зашумлёнными и нестабильными, из-за чего глубоким нейронным сетям трудно обучаться на закономерностях. В пространстве рангов акции упорядочиваются по относительной позиции капитализации, что даёт преобразованное представление рыночного поведения для исследований статистического арбитража.

Авторы сообщают, что глубокие нейронные сети эффективнее работают для статистического арбитража в пространстве рангов, чем в пространстве названий. Улучшение они связывают с более устойчивым представлением рынка и более выраженным возвратом остатков доходности к среднему, что может повысить эффективность обучения. В описании не указаны набор активов, период выборки, правила торговли, издержки или показатели эффективности; численных результатов также нет. Поэтому заявленное преимущество следует понимать как сравнительный результат исследования, а не как доказательство того, что модели на основе рангов будут превосходить другие на разных рынках или при реальном исполнении.

Ключевые идеи

• Метод упорядочивает акции по рангу капитализации, а не по названию компании.
• Преобразование призвано уменьшить шум и улучшить структуру представления рынка.
• Сообщается, что глубокие нейронные сети эффективнее решают задачу статистического арбитража в пространстве рангов.
• Авторы связывают улучшение с более выраженным возвратом остатков доходности к среднему.
• В предоставленном описании нет сведений о торговых издержках, выборке и численных показателях эффективности.

Теги

# 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.

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.