Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques
创建于 更新于
摘要
本文提出并比较了三种用于构造可交易“复制组合”（以提取个股非系统性残差并据此做配对交易）的方案：PCA（主成分）构造的特征组合、以现有或人工构造的ETF/行业指数为因子，以及作者首创的基于双层LSTM的序列回归方法。残差以 Ornstein–Uhlenbeck 过程建模并归一化以生成交易信号；阈值在2015–2016年区间回测优化，主区间为2017–2019（另测2020年疫情冲击期）。总体结论：PCA 与 LSTM 在 2017–2019 年均能实现显著正收益（PCA 2017 年组合年化 Sharpe 高达 ~2.63），但在 2020 年疫情极端下以 ETF（稀疏/人工 ETF）为基础的方案更为稳健并实现正收益；作者认为 LSTM 方法有很大拓展空间并值得进一步优化 [page::1][page::79]
