Стратегии глубокого обучения для торговли остатками факторных моделей

Сводка

В исследовании воспроизводится подход к статистическому арбитражу с глубоким обучением, при котором сделки совершаются по остаткам факторных моделей ценообразования активов. Исходный метод применяется к более позднему вневыборочному периоду на данных по акциям США за 2016–2024. Процесс повторяет предварительную обработку данных и факторное моделирование из первоначального исследования и использует сверточные нейронные сети и трансформеры. Авторы сообщают, что применяли практики point-in-time, чтобы избежать утечки информации.

В некоторых тестах получены необычно высокие вневыборочные коэффициенты Шарпа, временами выше 10. Авторы предупреждают, что это может быть следствием переобучения, необычно благоприятных рыночных условий или недостаточного учета транзакционных издержек и влияния на рынок. Они призывают к дополнительным проверкам устойчивости и отмечают, что результаты сильнее более скромных улучшений в первоначальном исследовании. В доступном описании нет подробных торговых правил, издержек или результатов проверки устойчивости, что ограничивает выводы о прибыльности в реальных условиях.

Ключевые идеи

• Стратегия стремится торговать необъясненной кросс-секционной вариацией остатков факторной модели.
• При воспроизведении используются сверточные нейронные сети и трансформеры на более позднем периоде для акций США.
• В исследовании сообщается о применении принципов point-in-time для предотвращения утечки информации.
• Некоторые заявленные вневыборочные коэффициенты Шарпа превышают 10, однако авторы отмечают возможное переобучение и влияние специфики рынка.
• Транзакционные издержки, влияние на рынок и дополнительные проверки устойчивости могут существенно изменить результаты.

Теги

# 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.)

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.