論文の概要: Deep Learning Statistical Arbitrage
- arxiv url: http://arxiv.org/abs/2106.04028v1
- Date: Tue, 8 Jun 2021 00:48:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-09 15:40:34.243562
- Title: Deep Learning Statistical Arbitrage
- Title(参考訳): Deep Learning Statistical Arbitrage
- Authors: Jorge Guijarro-Ordonez, Markus Pelger and Greg Zanotti
- Abstract要約: 本稿では,統計的仲裁のための統一的な概念枠組みを提案し,新しいディープラーニングソリューションを開発した。
我々は、条件付き遅延資産価格要素から残余ポートフォリオとして類似資産の仲裁ポートフォリオを構築する。
我々は、これらの残余ポートフォリオの時系列信号を、最も強力な機械学習時系列ソリューションの1つを用いて抽出する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Statistical arbitrage identifies and exploits temporal price differences
between similar assets. We propose a unifying conceptual framework for
statistical arbitrage and develop a novel deep learning solution, which finds
commonality and time-series patterns from large panels in a data-driven and
flexible way. First, we construct arbitrage portfolios of similar assets as
residual portfolios from conditional latent asset pricing factors. Second, we
extract the time series signals of these residual portfolios with one of the
most powerful machine learning time-series solutions, a convolutional
transformer. Last, we use these signals to form an optimal trading policy, that
maximizes risk-adjusted returns under constraints. We conduct a comprehensive
empirical comparison study with daily large cap U.S. stocks. Our optimal
trading strategy obtains a consistently high out-of-sample Sharpe ratio and
substantially outperforms all benchmark approaches. It is orthogonal to common
risk factors, and exploits asymmetric local trend and reversion patterns. Our
strategies remain profitable after taking into account trading frictions and
costs. Our findings suggest a high compensation for arbitrageurs to enforce the
law of one price.
- Abstract(参考訳): 統計仲裁は類似資産間の時間的価格差を特定し、活用する。
統計的仲裁のための統一的な概念的枠組みを提案し,データ駆動型で柔軟な方法で大規模パネルからの共通性と時系列パターンを求める。
まず、条件付き潜在資産価格要因から、類似資産の仲裁ポートフォリオを残余ポートフォリオとして構築する。
第2に,これら残余ポートフォリオの時系列信号を,最も強力な機械学習時系列ソリューションである畳み込みトランスフォーマによって抽出する。
最後に、これらの信号を使用して、制約の下でリスク調整されたリターンを最大化する最適なトレーディングポリシーを形成する。
我々は日刊大株と総合的な実証調査を実施している。
我々の最適なトレーディング戦略は、常に高いサンプルのシャープ比を取得し、全てのベンチマークアプローチを著しく上回る。
一般的なリスク要因と直交し、非対称な局所傾向と回帰パターンを利用する。
取引摩擦やコストを考慮して、当社の戦略は引き続き利益を上げます。
以上の結果から, 仲裁員が一価法を施行する際の高い補償効果が示唆された。
関連論文リスト
- Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Spatio-Temporal Momentum: Jointly Learning Time-Series and
Cross-Sectional Strategies [3.351714665243138]
我々は, 時間的・時間的モーメント戦略を導入し, 時間とともにその断続的なモーメント特性に基づいて, 取引資産による時間的・断続的なモーメント戦略を統一する。
このモデルでは,高トランザクションコストの存在下で,ベンチマークよりもパフォーマンスを維持可能であることを実証する。
特に、最小限の縮小とターンオーバー正規化と組み合わせた場合、さまざまなトランザクションコストシナリオに対して最高のパフォーマンスが得られることが判明した。
論文 参考訳(メタデータ) (2023-02-20T18:59:05Z) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳(メタデータ) (2022-10-22T14:47:11Z) - Deep Reinforcement Learning and Convex Mean-Variance Optimisation for
Portfolio Management [0.0]
強化学習(RL)法は明示的な予測に頼らず、多段階決定プロセスに適している。
総合的な傾向の異なる経済の3つの市場で実験が行われた。
論文 参考訳(メタデータ) (2022-02-13T10:12:09Z) - Predicting Status of Pre and Post M&A Deals Using Machine Learning and
Deep Learning Techniques [0.0]
リスク仲裁または合併仲裁は、M&A取引の成功を推測する投資戦略である。
事前の取引状況の予測は、リスク仲裁者にとって非常に重要である。
本稿では,買収成功予測問題に対するMLとDLに基づく手法を提案する。
論文 参考訳(メタデータ) (2021-08-05T21:26:45Z) - Universal Trading for Order Execution with Oracle Policy Distillation [99.57416828489568]
本稿では,不完全な市場状態と注文実行のための最適な行動シーケンスとのギャップを埋める,新たなユニバーサル取引ポリシー最適化フレームワークを提案する。
本研究の枠組みは,完全情報を持つ託宣教師による実践的最適実行に向けて,共通政策の学習を指導する上で有効であることを示す。
論文 参考訳(メタデータ) (2021-01-28T05:52:18Z) - Learning Risk Preferences from Investment Portfolios Using Inverse
Optimization [25.19470942583387]
本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。
我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
論文 参考訳(メタデータ) (2020-10-04T21:29:29Z) - Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction
with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。
表現学習によって、私たちはStock2Vecという埋め込みを導きました。
我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-09-29T22:54:30Z) - Learning from eXtreme Bandit Feedback [105.0383130431503]
非常に大きな行動空間の設定における帯域幅フィードバックからのバッチ学習の問題について検討する。
本稿では,より有利なバイアス分散状態で動作する選択的重要度サンプリング推定器(sIS)を提案する。
我々は,この推定器を,XMCタスクの帯域幅フィードバックから学習するために,新しいアルゴリズム手法であるポリシ・オプティマイズ・フォー・エクストリーム・モデル (POXM) に採用する。
論文 参考訳(メタデータ) (2020-09-27T20:47:25Z) - Time your hedge with Deep Reinforcement Learning [0.0]
深層強化学習(DRL)は、市場情報とヘッジ戦略の割り当て決定の間のダイナミックな依存関係を作成することで、この課題に対処することができる。
i)行動決定に追加の文脈情報を使用し、(ii)共通の資産運用者の1日のラグ転倒を考慮し、ヘッジの再均衡を図るための観察と行動の間に1期間の遅れがあり、(iii)アンカードウォークフォワードトレーニングと呼ばれる反復的な試験方法により、安定性とロバスト性の観点から完全にテストされており、(iv)時系列のkフォールドクロスバリデーションと同様に、ヘッジの活用を可能にする。
論文 参考訳(メタデータ) (2020-09-16T06:43:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。