STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading

要約

金融取引では、資産の価格設定やミスプライシングからの超過収益の獲得にファクター モデルが広く使用されています。
最近、潜在因子を自己適応的に学習する、変分オートエンコーダーベースの潜在因子モデルの台頭が見られました。
これらのモデルは市場全体の状況をモデル化することに重点を置いていますが、多くの場合、個々の株式の時間的パターンを効果的に捉えることができません。
さらに、複数の要素を単一の値として表すとモデルは簡素化されますが、複雑な関係や依存関係を把握する能力は制限されます。
その結果、学習されたファクターの質は低く、多様性に欠けており、さまざまな取引期間にわたってその有効性と堅牢性が低下します。
これらの問題に対処するために、私たちは、STORM という名前のデュアル ベクトル量子化変分オートエンコーダに基づく時空間factOR モデルを提案します。これは、時間的および空間的観点から株式の特徴を抽出し、これらの特徴をきめ細かいセマンティック レベルで融合および調整します。
そして因子を多次元の埋め込みとして表現します。
離散コードブックは類似した因子の埋め込みをクラスター化し、直交性と多様性を確保します。これにより、異なる因子を区別し、金融取引における因子の選択が可能になります。
提案された因子モデルのパフォーマンスを示すために、それを 2 つの下流実験 (2 つの株式データセットに対するポートフォリオ管理と 6 つの特定の株式に対する個別の取引タスク) に適用します。
広範な実験により、下流のタスクに適応する STORM の柔軟性と、ベースライン モデルを上回る優れたパフォーマンスが実証されました。

要約(オリジナル)

In financial trading, factor models are widely used to price assets and capture excess returns from mispricing. Recently, we have witnessed the rise of variational autoencoder-based latent factor models, which learn latent factors self-adaptively. While these models focus on modeling overall market conditions, they often fail to effectively capture the temporal patterns of individual stocks. Additionally, representing multiple factors as single values simplifies the model but limits its ability to capture complex relationships and dependencies. As a result, the learned factors are of low quality and lack diversity, reducing their effectiveness and robustness across different trading periods. To address these issues, we propose a Spatio-Temporal factOR Model based on dual vector quantized variational autoencoders, named STORM, which extracts features of stocks from temporal and spatial perspectives, then fuses and aligns these features at the fine-grained and semantic level, and represents the factors as multi-dimensional embeddings. The discrete codebooks cluster similar factor embeddings, ensuring orthogonality and diversity, which helps distinguish between different factors and enables factor selection in financial trading. To show the performance of the proposed factor model, we apply it to two downstream experiments: portfolio management on two stock datasets and individual trading tasks on six specific stocks. The extensive experiments demonstrate STORM’s flexibility in adapting to downstream tasks and superior performance over baseline models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google