論文の概要: Attention Factors for Statistical Arbitrage

• arxiv url: http://arxiv.org/abs/2510.11616v1
• Date: Mon, 13 Oct 2025 16:56:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.468664
• Title: Attention Factors for Statistical Arbitrage
• Title（参考訳）: 統計的アービタージュの注意要因
• Authors: Elliot L. Epstein, Rose Wang, Jaewon Choi, Markus Pelger,
• Abstract要約: 統計的仲裁は、類似資産間の時間的価格差を利用する。 我々は、要因を通じて類似資産を共同で識別し、不正を識別し、取引政策を形成する枠組みを開発する。
• 参考スコア（独自算出の注目度）: 1.224954637705144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 統計的仲裁は、類似資産間の時間的価格差を利用する。 我々は、要因を通じて類似資産を共同で識別し、不正を識別し、取引コスト後のリスク調整性能を最大化する取引政策を構築するための枠組みを開発する。 私たちの注意要因は、仲裁取引に最も有用な条件付き潜伏要因です。 それらは複雑な相互作用を可能にする、しっかりとした特性の埋め込みから学習される。 一般シーケンスモデルを用いて,因子の残余ポートフォリオから時系列信号を同定する。 取引コスト後の利益率を最大化するためには、要因と仲裁取引戦略を共同で評価することが不可欠である。 総合的な実証研究により、当社のアテンション・ファクター・モデルは、24年間に米国最大の株式の4以上のサンプル外シャープ比を達成することを示した。 私たちの一段階のソリューションは、前例のないシャープ比2.3ネットの取引コストをもたらします。 我々は、弱い要因が取引の仲裁に重要であることを示した。

関連論文リスト

• Learn to Rank Risky Investors: A Case Study of Predicting Retail Traders' Behaviour and Profitability [3.731289189298451]
  本稿では、リスクトレーダーをランク付けタスクとして識別する問題を再編成するリスクランク付け手法(PA-RiskRanker)を提案する。 提案手法は,Profit-Aware binary cross entropy (PA-BCE) 損失関数と,セルフクロストレーダアテンションパイプラインで拡張されたトランスフォーマーベースのロータを備える。 本研究は,貿易リスク管理における既存の深層学習に基づくLETORアルゴリズムの限界について批判的に検討する。
  論文  参考訳（メタデータ） (2025-09-20T10:41:13Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Deep Learning Statistical Arbitrage [0.0]
  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。
  論文  参考訳（メタデータ） (2021-06-08T00:48:25Z)

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。