Statistical Arbitrage in Rank Space
创建于 更新于
摘要
本研究提出将股票以市值排名作为输入表示来进行统计套利，证明在排名空间中使用深度神经网络进行残差投资组合的学习相较于名称空间具有更鲁棒的市场表征与更强的残差均值回归，从而显著提升学习效率与盈利能力。基于美国市场数据，rank space 的 DNN 投资组合在2007-2022年间实现平均年化收益约35.68%、夏普比率约3.28（扣除交易成本2bp），显著领先名称空间的结果。该研究还显示在排序空间中利用灵活杠杆与回撤管理的潜力，以及因交易成本带来的挑战，强调领域知识驱动的数据转换在金融深度学习中的重要性 [page::1]
