用于考虑成本的统计套利的注意力因子
文章 arXiv papers · 作者: Elliot L. Epstein et al.
总结
本文提出一个框架，通过学习条件潜在因子识别相关股票、发现相对定价偏差，并制定考虑交易成本的交易策略。其注意力因子由公司特征的嵌入表示构成，从而允许特征之间产生交互。序列模型从残差投资组合中提取时间序列信号，并将因子估计与套利策略联合优化，以实现成本后的风险调整盈利目标。
作者报告称，在长达24年的样本外期间，该方法对美国市值最大的股票取得了高于四的夏普比率；单步解的扣除交易成本后夏普比率为2.3。作者还指出，较弱的因子仍可能影响套利决策。摘要未说明投资组合构建、执行假设或稳健性检验，因此报告结果应结合研究所述范围和评估设计来理解。
核心观点
- 条件潜在注意力因子基于公司特征嵌入进行学习。
- 残差因子投资组合通过序列模型提供时间序列信号。
- 因子学习与策略构建联合优化，以纳入交易成本。
- 研究报告称，大型美国股票取得了较高的样本外夏普比率，并强调弱因子的价值。
标签
全文
# Attention Factors for Statistical Arbitrage # Attention Factors for Statistical Arbitrage Statistical arbitrage exploits temporal price differences between similar assets. We develop a framework to jointly identify similar assets through factors, identify mispricing and form a trading policy that maximizes risk-adjusted performance after trading costs. Our Attention Factors are conditional latent factors that are the most useful for arbitrage trading. They are learned from firm characteristic embeddings that allow for complex interactions. We identify time-series signals from the residual portfolios of our factors with a general sequence model. Estimating factors and the arbitrage trading strategy jointly is crucial to maximize profitability after trading costs. In a comprehensive empirical study we show that our Attention Factor model achieves an out-of-sample Sharpe ratio above 4 on the largest U.S. equities over a 24-year period. Our one-step solution yields an unprecedented Sharpe ratio of 2.3 net of transaction costs. We show that weak factors are important for arbitrage trading.
在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0
此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。