Học sâu cho chênh lệch giá thống kê trong không gian thứ hạng vốn hóa

Tóm tắt

Công trình này đề xuất biểu diễn cổ phiếu bằng thứ hạng vốn hóa thị trường thay vì danh tính công ty. Động cơ là các cách biểu diễn dựa trên tên gọi thông thường có thể nhiễu và biến động, khiến mạng nơ-ron sâu khó học các mẫu hình. Trong không gian thứ hạng, cổ phiếu được sắp xếp theo vị trí vốn hóa tương đối, tạo ra một góc nhìn đã biến đổi về hành vi thị trường để nghiên cứu chênh lệch giá thống kê.

Các tác giả báo cáo mạng nơ-ron sâu hoạt động tốt hơn cho chênh lệch giá thống kê trong không gian thứ hạng so với không gian tên gọi. Họ cho rằng cải thiện này đến từ biểu diễn thị trường vững chắc hơn và hành vi hồi quy về trung bình mạnh hơn trong lợi suất phần dư, qua đó giúp việc học hiệu quả hơn. Phần mô tả không nêu phạm vi tài sản, giai đoạn lấy mẫu, quy tắc giao dịch, chi phí hoặc thước đo hiệu suất, đồng thời không đưa ra kết quả bằng số. Vì vậy, lợi thế được nêu nên được hiểu là một phát hiện so sánh được báo cáo, chứ không phải bằng chứng rằng mô hình dựa trên thứ hạng sẽ vượt trội trên mọi thị trường hoặc khi thực thi giao dịch thực.

Ý chính

• Phương pháp sắp xếp cổ phiếu theo thứ hạng vốn hóa thay vì tên công ty.
• Phép biến đổi nhằm giảm nhiễu và cải thiện cấu trúc biểu diễn thị trường.
• Mạng nơ-ron sâu được báo cáo là hoạt động tốt hơn cho chênh lệch giá thống kê trong không gian thứ hạng.
• Các tác giả liên hệ mức tăng với khả năng hồi quy về trung bình mạnh hơn trong lợi suất phần dư.
• Phần mô tả được cung cấp không nêu chi phí giao dịch, chi tiết mẫu dữ liệu hoặc bằng chứng hiệu suất bằng số.

Thẻ

# 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.

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.