Chiến lược học sâu giao dịch phần dư của mô hình nhân tố

Tóm tắt

Nghiên cứu này tái lập một phương pháp giao dịch chênh lệch thống kê bằng học sâu, trong đó giao dịch dựa trên phần dư từ các mô hình nhân tố định giá tài sản. Nghiên cứu áp dụng phương pháp ban đầu vào giai đoạn ngoài mẫu gần đây hơn, sử dụng dữ liệu cổ phiếu Mỹ từ 2016 đến 2024. Quy trình tuân theo cách tiền xử lý dữ liệu và mô hình hóa nhân tố của nghiên cứu trước, đồng thời sử dụng mạng nơ-ron tích chập và Transformer. Các tác giả cho biết họ áp dụng quy trình theo đúng thời điểm để tránh rò rỉ thông tin.

Một số phép kiểm định cho tỷ lệ Sharpe ngoài mẫu cao bất thường, có lúc vượt 10. Các tác giả lưu ý rằng những kết quả này có thể phản ánh hiện tượng khớp quá mức, điều kiện thị trường thuận lợi bất thường hoặc việc xử lý chưa đầy đủ chi phí giao dịch và tác động thị trường. Họ kêu gọi kiểm tra độ vững hơn nữa và nhận xét kết quả mạnh hơn những cải thiện khiêm tốn hơn trong nghiên cứu ban đầu. Mô tả được cung cấp không nêu quy tắc giao dịch chi tiết, chi phí hay kết quả kiểm tra độ vững, làm hạn chế kết luận về khả năng sinh lời trong thực tế.

Ý chính

• Chiến lược hướng đến giao dịch phần biến thiên chéo không được giải thích trong phần dư của mô hình nhân tố.
• Nghiên cứu tái lập áp dụng mạng nơ-ron tích chập và Transformer cho giai đoạn cổ phiếu Mỹ gần đây hơn.
• Nghiên cứu cho biết đã áp dụng nguyên tắc theo đúng thời điểm để ngăn rò rỉ thông tin.
• Một số tỷ lệ Sharpe ngoài mẫu được báo cáo vượt 10, nhưng các tác giả nêu khả năng khớp quá mức và ảnh hưởng riêng của thị trường.
• Chi phí giao dịch, tác động thị trường và các kiểm tra độ vững bổ sung có thể làm thay đổi đáng kể kết quả.

Thẻ

# 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.)

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.