فیکٹر ماڈل کے بقایا جات کی ٹریڈنگ کے لیے ڈیپ لرننگ اسٹریٹجیز

خلاصہ

یہ مطالعہ اثاثہ قیمت بندی کے فیکٹر ماڈلز کے بقایا جات کی ٹریڈنگ پر مبنی ڈیپ لرننگ شماریاتی آربیٹریج طریقے کو دوبارہ آزماتا ہے۔ یہ اصل طریقہ زیادہ حالیہ آؤٹ آف سیمپل مدت پر لاگو کرتا ہے اور 2016 سے 2024 تک امریکی ایکویٹی ڈیٹا استعمال کرتا ہے۔ طریقۂ کار پہلے کے مطالعے کی ڈیٹا پری پروسیسنگ اور فیکٹر ماڈلنگ کی پیروی کرتا ہے اور کنوولوشنل نیورل نیٹ ورکس اور ٹرانسفارمرز استعمال کرتا ہے۔ مصنفین کے مطابق، انہوں نے ڈیٹا میں مستقبل کی یا اس وقت دستیاب نہ ہونے والی معلومات کے رساؤ سے بچنے کے لیے وقت کے مطابق طریقۂ کار اپنایا۔

کچھ ٹیسٹس میں غیر معمولی طور پر بلند آؤٹ آف سیمپل شارپ تناسب آتے ہیں، بعض اوقات 10 سے بھی زیادہ۔ مصنفین خبردار کرتے ہیں کہ یہ نتائج اوورفٹنگ، غیر معمولی طور پر موافق مارکیٹ حالات، یا لین دین کے اخراجات اور مارکیٹ اثر کو ناکافی طور پر سنبھالنے کی وجہ سے ہو سکتے ہیں۔ وہ مزید مضبوطی کے ٹیسٹس کا مطالبہ کرتے ہیں اور کہتے ہیں کہ نتائج اصل تحقیق کی نسبتاً معمولی بہتری سے زیادہ مضبوط ہیں۔ فراہم کردہ بیان میں ٹریڈنگ کے تفصیلی قواعد، اخراجات یا مضبوطی کے نتائج نہیں، جس سے حقیقی دنیا کے منافع کے بارے میں نتیجہ اخذ کرنا محدود ہوتا ہے۔

اہم خیالات

• اسٹریٹیجی فیکٹر ماڈل کے بقایا جات میں غیر واضح کراس سیکشنل تغیر کی ٹریڈنگ کی کوشش کرتی ہے۔
• یہ تکرار زیادہ حالیہ امریکی ایکویٹی ڈیٹا کی مدت پر کنوولوشنل نیورل نیٹ ورکس اور ٹرانسفارمرز لاگو کرتی ہے۔
• مطالعہ معلومات کے رساؤ کو روکنے کے لیے وقت کے مطابق اصول اپنانے کی اطلاع دیتا ہے۔
• کچھ رپورٹ شدہ آؤٹ آف سیمپل شارپ تناسب 10 سے زیادہ ہیں، مگر مصنفین ممکنہ اوورفٹنگ اور مخصوص مارکیٹ کے حالات کے اثرات کی نشاندہی کرتے ہیں۔
• لین دین کے اخراجات، مارکیٹ پر پڑنے والا اثر اور مزید مضبوطی کے ٹیسٹس نتائج کو نمایاں طور پر بدل سکتے ہیں۔

ٹیگز

# 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.)

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۔