لاگت سے باخبر شماریاتی آربیٹریج کے لیے اٹینشن عوامل

خلاصہ

مقالہ مشروط پوشیدہ عوامل سیکھنے کا فریم ورک بناتا ہے تاکہ متعلقہ ایکویٹیز کی شناخت، نسبتی غلط قیمت گذاری کا سراغ اور ٹریڈنگ لاگتوں کو مدنظر رکھنے والی ٹریڈنگ پالیسی تشکیل دی جا سکے۔ اس کے اٹینشن عوامل کمپنی کی خصوصیات کی ایمبیڈنگز سے بنائے گئے ہیں، جس سے ان خصوصیات کے باہمی اثرات ممکن ہوتے ہیں۔ ایک سلسلہ ماڈل باقی ماندہ پورٹ فولیوز سے زمانی سلسلے کے سگنل اخذ کرتا ہے، اور عامل کا تخمینہ آربیٹریج اسٹریٹیجی کے ساتھ مشترکہ طور پر بہتر بنایا جاتا ہے تاکہ لاگتوں کے بعد خطرے کے لحاظ سے منافع کا ہدف حاصل ہو۔

مصنفین سب سے بڑی امریکی ایکویٹیز کے لیے 24 سالہ مدت میں نمونے سے باہر چار سے زیادہ شارپ تناسب، اور لین دین کی لاگتوں کے بعد 2.3 شارپ تناسب والا یک مرحلہ حل رپورٹ کرتے ہیں۔ ان کے مطابق کمزور عوامل بھی آربیٹریج کے فیصلوں میں اہم ہو سکتے ہیں۔ اقتباس میں پورٹ فولیو کی تشکیل، نفاذ کے مفروضے یا مضبوطی کی جانچ کی تفصیل نہیں، اس لیے رپورٹ کردہ نتائج کو مطالعے کے بیان کردہ کائنات اور جانچ کے ڈیزائن کے اندر سمجھنا چاہیے۔

اہم خیالات

• مشروط پوشیدہ اٹینشن عوامل کمپنی کی خصوصیات کی ایمبیڈنگز سے سیکھے جاتے ہیں۔
• باقی ماندہ عامل پورٹ فولیوز ایک سلسلہ ماڈل کے ذریعے زمانی سلسلے کے سگنل فراہم کرتے ہیں۔
• ٹریڈنگ لاگتوں کو مدنظر رکھنے کے لیے عامل کی سیکھ اور اسٹریٹیجی کی تشکیل مشترکہ طور پر بہتر بنائی جاتی ہے۔
• مطالعہ بڑی امریکی ایکویٹیز کے لیے نمونے سے باہر مضبوط شارپ نتائج رپورٹ کرتا ہے اور کمزور عوامل کی اہمیت پر زور دیتا ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔