ملتے جلتے حصص میں شماریاتی آربیٹریج کے لیے ڈیپ لرننگ

خلاصہ

دستاویز شماریاتی آربیٹریج کا ایک فریم ورک پیش کرتی ہے جو اثاثوں کی قیمت گذاری، ٹائم سیریز ماڈلنگ اور پورٹ فولیو آپٹیمائزیشن کو ملاتا ہے۔ پہلے مشروط مخفی قیمت گذاری عوامل سے ملتے جلتے اثاثوں کی شناخت اور بقایا پورٹ فولیوز کی تشکیل کی جاتی ہے، پھر کنولوشنل ٹرانسفارمر سے تجارتی اشارے اخذ کیے جاتے ہیں۔ یہ اشارے خطرے کے لحاظ سے ایڈجسٹ شدہ منافع زیادہ سے زیادہ کرنے کے لیے بنائی گئی پابند پالیسی کو دیے جاتے ہیں۔

تجرباتی مطالعہ روزانہ US ایکویٹی ڈیٹا استعمال کرتا ہے اور معیاری طریقوں کے مقابلے میں نمونے سے باہر مسلسل مضبوط اوسط منافع اور شارپ تناسب رپورٹ کرتا ہے۔ خلاصے میں نمونے کی تاریخیں، لین دین کے اخراجات کا برتاؤ، خطرے کی تفصیلات یا مخصوص معیاری نتائج نہیں دیے گئے، اس لیے اس وضاحت سے دعووں کا مکمل جائزہ ممکن نہیں۔ بیان کردہ شہادت تاریخی نمونے سے باہر کی کارکردگی سے متعلق ہے؛ اس سے یہ ثابت نہیں ہوتا کہ لائیو ٹریڈنگ یا نفاذی اخراجات کے بعد منافع برقرار رہے گا۔

اہم خیالات

• مشروط مخفی قیمت گذاری عوامل پر مبنی بقایا پورٹ فولیوز ملتے جلتے اثاثوں میں آربیٹریج کے مواقع ظاہر کرتے ہیں۔
• کنولوشنل ٹرانسفارمر بقایا پورٹ فولیوز سے ٹائم سیریز اشارے اخذ کرتا ہے۔
• یہ اشارے خطرے کے لحاظ سے ایڈجسٹ شدہ منافع کا ہدف رکھنے والی پابند تجارتی پالیسی طے کرتے ہیں۔
• رپورٹ شدہ جائزہ روزانہ US ایکویٹیز پر ہے اور معیارات کے مقابل نمونے سے باہر کی کارکردگی بیان کرتا ہے۔
• مختصر وضاحت میں حقیقی دنیا کے منافع کا فیصلہ کرنے کے لیے درکار نفاذی تفصیلات موجود نہیں۔

ٹیگز

# 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.

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۔