跳至正文
返回文库全部文档

相似股票统计套利的深度学习方法

文章 arXiv papers · 作者: Jorge Guijarro-Ordonez et al.
阅读原文

总结

本文提出一个结合资产定价、时间序列建模和投资组合优化的统计套利框架。该框架首先使用条件潜在定价因子识别相似资产并构建残差投资组合，再通过卷积 Transformer 提取交易信号。这些信号输入一个旨在最大化风险调整后收益的受约束策略。

实证研究使用 US 日度股票数据；相较于基准方法，报告称其样本外平均收益和夏普比率持续较强。摘要未提供样本日期、交易成本处理方式、风险细节或具体基准结果，因此无法仅凭这一描述充分评估这些主张。所述证据涉及历史样本外表现，并不能证明收益会在实盘交易中持续，或在计入执行成本后仍能保持。

核心观点

  • 基于条件潜在定价因子的残差投资组合用于表示相似资产之间的套利机会。
  • 卷积 Transformer 从残差投资组合中提取时间序列信号。
  • 这些信号用于制定以风险调整后收益为目标的受约束交易策略。
  • 报告的评估使用 US 股票日度数据，并描述了相对于基准的样本外表现。
  • 简要说明缺少判断现实盈利能力所需的实施细节。

标签

股票套利机器学习投资组合构建美国市场
全文
# 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.

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。