論文の概要: Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques

• arxiv url: http://arxiv.org/abs/2512.02037v1
• Date: Thu, 20 Nov 2025 21:09:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.426235
• Title: Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques
• Title（参考訳）: ディープラーニング技術を用いたポーランドの株式市場における統計的アービタージュ
• Authors: Marek Adamczyk, Michał Dąbrowski,
• Abstract要約: 我々は,一般的な統計アービタージュ手法であるペアズ・トレーディング(Pairs Trading)の体系的アプローチについて検討した。 第2の資産をリスクファクター表現を使用した第1の複製に置き換える。 Avellaneda と Lee (2008) の枠組みをポーランド市場に適用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study a systematic approach to a popular Statistical Arbitrage technique: Pairs Trading. Instead of relying on two highly correlated assets, we replace the second asset with a replication of the first using risk factor representations. These factors are obtained through Principal Components Analysis (PCA), exchange traded funds (ETFs), and, as our main contribution, Long Short Term Memory networks (LSTMs). Residuals between the main asset and its replication are examined for mean reversion properties, and trading signals are generated for sufficiently fast mean reverting portfolios. Beyond introducing a deep learning based replication method, we adapt the framework of Avellaneda and Lee (2008) to the Polish market. Accordingly, components of WIG20, mWIG40, and selected sector indices replace the original S&P500 universe, and market parameters such as the risk free rate and transaction costs are updated to reflect local conditions. We outline the full strategy pipeline: risk factor construction, residual modeling via the Ornstein Uhlenbeck process, and signal generation. Each replication technique is described together with its practical implementation. Strategy performance is evaluated over two periods: 2017-2019 and the recessive year 2020. All methods yield profits in 2017-2019, with PCA achieving roughly 20 percent cumulative return and an annualized Sharpe ratio of up to 2.63. Despite multiple adaptations, our conclusions remain consistent with those of the original paper. During the COVID-19 recession, only the ETF based approach remains profitable (about 5 percent annual return), while PCA and LSTM methods underperform. LSTM results, although negative, are promising and indicate potential for future optimization.
• Abstract（参考訳）: 我々は,一般的な統計アービタージュ手法であるペアズ・トレーディング(Pairs Trading)の体系的アプローチについて検討した。 2つの非常に相関性の高い資産に頼る代わりに、リスクファクター表現を使用した第1の複製で第2の資産を置き換えます。 これらの要因は、主成分分析(PCA)、交換交換資金(ETF)、および我々の主な貢献としてLong Short Term Memory Network(LSTM)を通じて得られる。 主資産と複製の間の残余を平均逆転特性として検討し、十分に高速な平均逆転ポートフォリオのためのトレーディング信号を生成する。 Avellaneda と Lee (2008) のフレームワークをポーランド市場に適用する。 したがって、WIG20、mWIG40および選択されたセクター指標の構成要素は、元のS&P500宇宙を置き換えるものであり、リスクフリーレートや取引コストなどの市場パラメータは、地域条件を反映して更新される。 リスクファクタ構築、Ornstein Uhlenbeckプロセスによる残留モデリング、信号生成の完全な戦略パイプラインについて概説する。 各複製テクニックは、その実践的実装と共に記述される。 2017-2019年と2020年の2つの期間で戦略パフォーマンスが評価されている。 全ての手法が2017-2019年に利益を上げ、PCAは約20%の累積リターンを達成し、シャープ比は最大2.63である。 複数の適応があるにもかかわらず、私たちの結論は元の論文の結論と一致している。 新型コロナウイルス(COVID-19)不況の間、ETFベースのアプローチのみが利益を上げ(年間リターン率は約5%)、PCAとLSTMの手法はパフォーマンスが低い。 LSTMの結果は否定的ではあるが、将来的な最適化の可能性を示している。

関連論文リスト

• Hybrid LSTM and PPO Networks for Dynamic Portfolio Optimization [0.05475997486212839]
  本稿では,Long Short-Term Memory(LSTM)予測とPPO強化学習戦略を融合したポートフォリオ最適化のためのハイブリッドフレームワークを提案する。 提案システムでは,時間的依存を捕捉する深部再帰ネットワークの予測能力を活用し,PPOエージェントは連続的な行動空間におけるポートフォリオ割り当てを適応的に改善する。 フレームワークのパフォーマンスは、年次リターン、ボラティリティ、シャープ比、最大ドローダウンメトリクスを使用して、同等の重み付け、インデックスベース、シングルモデルアプローチ(LSTMとPPOのみ)に対してベンチマークされる。
  論文  参考訳（メタデータ） (2025-11-22T07:57:03Z)
• Accelerating RL for LLM Reasoning with Optimal Advantage Regression [52.0792918455501]
  本稿では,最適優位関数を直接近似する新しい2段階ポリシー最適化フレームワークを提案する。 A$*-POは、幅広い数学的推論ベンチマークで競合性能を達成する。 PPO、GRPO、REBELと比較して、トレーニング時間を最大2$times$、ピークメモリ使用率を30%以上削減する。
  論文  参考訳（メタデータ） (2025-05-27T03:58:50Z)
• Your Offline Policy is Not Trustworthy: Bilevel Reinforcement Learning for Sequential Portfolio Optimization [82.03139922490796]
  強化学習(Reinforcement Learning, RL)は、過去のデータを用いたリスクを最小限にしつつ累積リターンを最大化することを目的とした、株式取引のような逐次的ポートフォリオ最適化タスクにおいて、大きな可能性を示してきた。 従来のRLアプローチは、固定データセット内での振る舞いの購入と販売を最適に記憶するだけのポリシーを生成することが多い。 当社のアプローチでは,ポートフォリオ最適化を新たなタイプの部分オフラインRL問題として捉え,2つの技術的貢献を行う。
  論文  参考訳（メタデータ） (2025-05-19T06:37:25Z)
• Benchmarking Post-Training Quantization in LLMs: Comprehensive Taxonomy, Unified Evaluation, and Comparative Analysis [89.60263788590893]
  後学習量子化(PTQ)技術は大規模言語モデル(LLM)圧縮に広く採用されている。 既存のアルゴリズムは主にパフォーマンスに重点を置いており、モデルサイズ、パフォーマンス、量子化ビット幅間のトレードオフを見越している。 本稿では LLM PTQ のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-18T07:35:35Z)
• Hedging Properties of Algorithmic Investment Strategies using Long Short-Term Memory and Time Series models for Equity Indices [0.0]
  本稿では,金融危機に伴うリスク資産のポートフォリオ拡大に対する新たなアプローチを提案する。 我々は、価格予測を生成するために4種類の多様な理論モデルを使用し、単一のAISと複雑なAISの投資信号を生成するのに使用される。 我々の主な結論は、LSTMベースの戦略が他のモデルよりも優れており、S&P 500インデックスのために構築されたAISにとって最良の多様化要因はBitcoinのためのAISであるということだ。
  論文  参考訳（メタデータ） (2023-09-27T13:18:39Z)
• 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)
• Robo-Advising: Enhancing Investment with Inverse Optimization and Deep Reinforcement Learning [13.23731449431572]
  2つのMLエージェントからなるフルサイクルデータ駆動型投資ロボマネジメントフレームワークを提案する。 提案された投資パイプラインは、2016年4月1日から2021年2月1日までの実際の市場データに適用され、S&P 500ベンチマークポートフォリオを一貫して上回っている。
  論文  参考訳（メタデータ） (2021-05-19T17:20:03Z)
• Deep Learning for Portfolio Optimization [5.833272638548154]
  個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。 我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
  論文  参考訳（メタデータ） (2020-05-27T21:28:43Z)

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。