跳至正文
返回文库全部文档

市值排名空间中的深度学习统计套利

文章 arXiv papers · 作者: Y. -F. Li et al.
阅读原文

总结

本文提出按股票市值排名而非公司身份来表示股票。其动机是，传统的基于名称的表示可能存在噪声且波动较大，使深度神经网络难以学习其中的模式。在排名空间中，股票按相对市值位置排列，为统计套利研究提供了市场行为的变换视角。

作者报告称，深度神经网络在排名空间中的统计套利表现优于名称空间。他们将这一提升归因于更稳健的市场表示，以及残差收益更强的均值回归特征，这些特征可能有助于提升学习效果。描述未说明股票范围、样本期间、交易规则、成本或绩效指标，也未提供数值结果。因此，所称优势应理解为报告中的比较结果，并不能证明基于排名的模型会在不同市场或实盘执行中持续表现更好。

核心观点

  • 该方法按市值排名而非公司名称为股票编制索引。
  • 这种转换旨在降低噪声并改善市场表示的结构。
  • 报告称，深度神经网络在排名空间中的统计套利表现更好。
  • 作者将这一提升与残差收益更强的均值回归特征联系起来。
  • 所提供的描述未列出交易成本、样本详情或数值绩效证据。

标签

股票机器学习均值回归套利
全文
# 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.

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。