مارکیٹ کیپٹلائزیشن رینک اسپیس میں ڈیپ لرننگ سے شماریاتی آربٹریج

خلاصہ

یہ کام ایکویٹیز کو کمپنی کی شناخت کے بجائے مارکیٹ کیپٹلائزیشن میں ان کے رینک سے ظاہر کرنے کی تجویز دیتا ہے۔ اس کی وجہ یہ ہے کہ روایتی نام پر مبنی نمائندگی شور والی اور غیر مستحکم ہو سکتی ہے، جس سے ڈیپ نیورل نیٹ ورکس کے لیے نمونے سیکھنا مشکل ہوتا ہے۔ رینک اسپیس میں اسٹاک کو کیپٹلائزیشن میں نسبتی مقام کے مطابق ترتیب دیا جاتا ہے، جس سے شماریاتی آربٹریج تحقیق کے لیے مارکیٹ کے رویے کا تبدیل شدہ منظر بنتا ہے۔

مصنفین بتاتے ہیں کہ شماریاتی آربٹریج کے لیے ڈیپ نیورل نیٹ ورکس ناموں کی بنیاد پر نمائندگی کے مقابلے رینک اسپیس میں بہتر کارکردگی دکھاتے ہیں۔ وہ بہتری کو مارکیٹ کی زیادہ مضبوط نمائندگی اور باقی ماندہ ریٹرنز میں اوسط کی طرف زیادہ مضبوط واپسی سے منسوب کرتے ہیں، جو سیکھنے کو مؤثر بنا سکتی ہے۔ وضاحت میں اثاثوں کی کائنات، نمونے کی مدت، ٹریڈنگ قواعد، لاگت یا کارکردگی کے پیمانے نہیں بتائے گئے، اور عددی نتائج بھی نہیں ہیں۔ لہٰذا بیان کردہ فائدے کو تقابلی نتیجہ سمجھنا چاہیے، اس بات کا ثبوت نہیں کہ رینک پر مبنی ماڈل مختلف مارکیٹس یا لائیو عمل درآمد میں بہتر رہیں گے۔

اہم خیالات

• یہ طریقہ کمپنی کے نام کے بجائے اسٹاکس کی درجہ بندی کیپٹلائزیشن رینک کے مطابق کرتا ہے۔
• اس تبدیلی کا مقصد شور کم کرنا اور مارکیٹ کی نمائندگی کی ساخت بہتر بنانا ہے۔
• رپورٹ کے مطابق ڈیپ نیورل نیٹ ورکس رینک اسپیس میں شماریاتی آربٹریج کے لیے بہتر کارکردگی دکھاتے ہیں۔
• مصنفین اس فائدے کو باقی ماندہ ریٹرنز میں اوسط کی طرف زیادہ مضبوط واپسی سے جوڑتے ہیں۔
• فراہم کردہ وضاحت میں ٹریڈنگ لاگت، نمونے کی تفصیلات اور عددی کارکردگی کے شواہد نہیں ہیں۔

ٹیگز

# 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.

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۔