Statistical Arbitrage in Rank Space
创建于 更新于
摘要
本报告提出了基于市值排名空间的统计套利框架，采用市场分解和残差收益的均值回复特性，构建了名空间与排名空间的套利组合。基于参数OU模型和深度神经网络的方法，结合盘中再平衡机制，实验证明排名空间策略，尤其是神经网络驱动的组合，在美国股市2007-2022年租后期显著优于传统名空间套利，年均收益35.68%，夏普比率3.28。排名空间残差收益的单因子特征、稳健市场结构及其更强均值回复性是其核心优势 [page::0][page::1][page::24][page::27][page::30][page::41]
