Học sâu cho kinh doanh chênh lệch thống kê giữa các cổ phiếu tương đồng

Tóm tắt

Tài liệu trình bày một khuôn khổ kinh doanh chênh lệch thống kê kết hợp định giá tài sản, mô hình hóa chuỗi thời gian và tối ưu hóa danh mục. Trước tiên, khuôn khổ dùng các yếu tố định giá tiềm ẩn có điều kiện để xác định tài sản tương đồng và xây dựng danh mục phần dư, sau đó trích xuất tín hiệu giao dịch bằng mô hình biến áp tích chập. Các tín hiệu đó được đưa vào một chính sách có ràng buộc nhằm tối đa hóa lợi nhuận đã điều chỉnh theo rủi ro.

Nghiên cứu thực nghiệm sử dụng dữ liệu cổ phiếu US hằng ngày và báo cáo lợi nhuận trung bình cùng tỷ số Sharpe ngoài mẫu ổn định ở mức cao so với các phương pháp chuẩn. Phần tóm tắt không nêu ngày của mẫu, cách xử lý chi phí giao dịch, chi tiết rủi ro hoặc kết quả cụ thể của các phương pháp chuẩn, nên không thể đánh giá đầy đủ các tuyên bố chỉ từ mô tả này. Bằng chứng được nêu liên quan đến hiệu quả ngoài mẫu trong quá khứ; nó không xác lập rằng lợi nhuận sẽ duy trì trong giao dịch thực hoặc sau chi phí thực hiện.

Ý chính

• Danh mục phần dư dựa trên các yếu tố định giá tiềm ẩn có điều kiện được dùng để biểu diễn cơ hội kinh doanh chênh lệch giữa các tài sản tương đồng.
• Transformer tích chập trích xuất tín hiệu chuỗi thời gian từ các danh mục phần dư.
• Các tín hiệu xác định chính sách giao dịch có ràng buộc, hướng đến lợi nhuận đã điều chỉnh theo rủi ro.
• Đánh giá được báo cáo sử dụng cổ phiếu US hằng ngày và mô tả hiệu quả ngoài mẫu so với các chuẩn đối chiếu.
• Mô tả tóm tắt không có đủ chi tiết thực hiện để đánh giá khả năng sinh lời trong thực tế.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.