Deep Learning steigert statistisches Arbitrage in polnischen Aktienmarkt

Eine neue Studie zeigt, wie Deep‑Learning‑Methoden das klassische Pairs‑Trading im polnischen Aktienmarkt revolutionieren können. Anstatt zwei stark korrelierte Wertpapiere zu nutzen, wird das zweite Asset durch eine Replikation des ersten über Risikofaktoren ersetzt.

Die Replikation erfolgt mithilfe von Principal‑Component‑Analysis (PCA), börsengehandelten Fonds (ETFs) und – als Hauptinnovation – Long‑Short‑Term‑Memory‑Netzwerken (LSTMs). Durch die Analyse der Residuen zwischen dem Basiswert und seiner Replikation werden Mean‑Reversion‑Eigenschaften identifiziert und daraus Handels­signale abgeleitet.

Für die polnische Umsetzung wurde das Modell von Avellaneda und Lee (2008) angepasst: Statt des S&P 500 werden die Komponenten des WIG20, mWIG40 und ausgewählte Sektor‑Indizes verwendet. Lokale Marktparameter wie risikofreier Zinssatz und Transaktionskosten wurden ebenfalls aktualisiert.

Der komplette Strategie‑Pipeline umfasst die Konstruktion der Risikofaktoren, die Modellierung der Residuen mittels des Ornstein‑Uhlenbeck‑Prozesses und die Generierung von Signalen. Jede Replikationsmethode wird dabei detailliert beschrieben und praktisch umgesetzt.

Die Performance‑Bewertung erstreckte sich über die Zeiträume 2017‑2019 und das COVID‑19‑Recessionsjahr 2020. Alle Ansätze erzielten in 2017‑2019 Gewinne; die PCA‑Methode erreichte einen kumulativen Ertrag von rund 20 % und einen annualisierten Sharpe‑Ratio von bis zu 2,63. Im Jahr 2020 blieb lediglich die ETF‑basierte Strategie profitabel.

Die Ergebnisse bestätigen die Aussage des Originalartikels: Deep‑Learning‑basierte Replikation steigert die Effektivität von statistischem Arbitrage, auch wenn sich die Marktbedingungen ändern. Diese Erkenntnisse bieten wertvolle Impulse für die Entwicklung robuster Handelsstrategien im polnischen Aktienmarkt.