Chuyển đến nội dung
Tất cả tài liệu trong thư viện

Mô phỏng bằng học sâu cho kinh doanh chênh lệch thống kê cổ phiếu Ba Lan

Bài viết arXiv papers · Tác giả: Marek Adamczyk et al.
Đọc tài liệu gốc

Tóm tắt

Nghiên cứu điều chỉnh khuôn khổ giao dịch cặp cho cổ phiếu Ba Lan bằng cách so sánh một tài sản với danh mục mô phỏng được xây dựng từ các nhân tố rủi ro, thay vì ghép cặp với một tài sản thứ hai có tương quan cao. Nghiên cứu xây dựng nhân tố bằng Phân tích Thành phần Chính, quỹ hoán đổi danh mục hoặc mạng Long Short Term Memory, rồi mô hình hóa phần dư thu được bằng quá trình Ornstein-Uhlenbeck. Tín hiệu được tạo cho các danh mục có phần dư hồi quy đủ nhanh. Cách triển khai sử dụng các thành phần của chỉ số Ba Lan và giả định thị trường địa phương, bao gồm lãi suất phi rủi ro và chi phí giao dịch.

Đánh giá được báo cáo bao quát giai đoạn 2017–2019 và năm suy thoái 2020. Tất cả các cách tiếp cận đều có lãi trong giai đoạn trước đó, trong đó PCA đạt mức sinh lời tích lũy xấp xỉ 20 phần trăm và tỷ lệ Sharpe lên đến 2.63. Trong 2020, cách tiếp cận ETF vẫn có lãi với mức sinh lời hằng năm khoảng 5 phần trăm, còn PCA và LSTM có kết quả kém hơn. Bằng chứng chỉ giới hạn trong các giai đoạn và sự điều chỉnh theo thị trường đã nêu; kết quả âm của LSTM cho thấy nghiên cứu này chưa xác lập được hiệu suất của phương pháp đó.

Ý chính

  • Chiến lược mô phỏng một tài sản bằng các nhân tố rủi ro thay vì ghép cặp với tài sản tương quan thứ hai.
  • PCA, ETF và LSTM được dùng để xây dựng danh mục mô phỏng.
  • Phần dư được mô hình hóa bằng quá trình Ornstein-Uhlenbeck để nhận diện tín hiệu hồi quy về trung bình.
  • Nghiên cứu điều chỉnh khuôn khổ cho các chỉ số Ba Lan và giả định giao dịch tại địa phương.
  • PCA dẫn đầu trong giai đoạn kiểm định trước đó, trong khi chỉ cách tiếp cận ETF còn có lãi trong 2020.

Thẻ

Cổ phiếuGiao dịch cặpHồi quy về trung bìnhHọc máyKiểm định quá khứ
Toàn văn
# Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques


# Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques









We study a systematic approach to a popular Statistical Arbitrage technique: Pairs Trading. Instead of relying on two highly correlated assets, we replace the second asset with a replication of the first using risk factor representations. These factors are obtained through Principal Components Analysis (PCA), exchange traded funds (ETFs), and, as our main contribution, Long Short Term Memory networks (LSTMs). Residuals between the main asset and its replication are examined for mean reversion properties, and trading signals are generated for sufficiently fast mean reverting portfolios. Beyond introducing a deep learning based replication method, we adapt the framework of Avellaneda and Lee (2008) to the Polish market. Accordingly, components of WIG20, mWIG40, and selected sector indices replace the original S&P500 universe, and market parameters such as the risk free rate and transaction costs are updated to reflect local conditions. We outline the full strategy pipeline: risk factor construction, residual modeling via the Ornstein Uhlenbeck process, and signal generation. Each replication technique is described together with its practical implementation. Strategy performance is evaluated over two periods: 2017-2019 and the recessive year 2020. All methods yield profits in 2017-2019, with PCA achieving roughly 20 percent cumulative return and an annualized Sharpe ratio of up to 2.63. Despite multiple adaptations, our conclusions remain consistent with those of the original paper. During the COVID-19 recession, only the ETF based approach remains profitable (about 5 percent annual return), while PCA and LSTM methods underperform. LSTM results, although negative, are promising and indicate potential for future optimization.

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.