跳至正文
返回文库全部文档

利用深度学习交易因子模型残差的策略

文章 arXiv papers · 作者: Wo Long et al.
阅读原文

总结

这项研究复现了一种深度学习统计套利方法，用于交易资产定价因子模型的残差。研究使用 2016 至 2024 年的美国股票数据，将原方法应用于较新的样本外时期。研究流程沿用早期研究的数据预处理和因子建模方法，并使用卷积神经网络和 Transformer。作者称，他们采用了时点数据处理实践来避免信息泄漏。

部分测试的样本外夏普比率异常高，有时超过 10。作者提醒，这些结果可能源于过拟合、异常有利的市场环境，或对交易成本和市场冲击处理不足。作者呼吁进一步进行稳健性检验，并指出结果强于原研究中较温和的改善。现有描述未报告详细交易规则、成本或稳健性检验结果，因此难以据此判断现实盈利能力。

核心观点

  • 该策略试图交易因子模型残差中无法解释的横截面变动。
  • 这项复现研究将卷积神经网络和 Transformer 用于较新的美国股票时期。
  • 研究称采用了时点原则来防止信息泄漏。
  • 部分报告的样本外夏普比率超过 10，但作者指出可能存在过拟合和市场特定影响。
  • 交易成本、市场冲击和进一步的稳健性检验可能显著改变结果。

标签

股票机器学习套利因子投资回测交易执行
全文
# 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.)

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。