본 논문은 인기 있는 통계적 차익 거래 기법인 페어 트레이딩에 대한 체계적인 접근 방식을 연구합니다. 상관관계가 높은 두 자산 대신, 위험 요인 표현을 사용하여 첫 번째 자산을 복제함으로써 두 번째 자산을 대체합니다. 이러한 요인은 주성분 분석(PCA), 상장지수펀드(ETF), 그리고 주요 기여 부분인 장단기 기억 네트워크(LSTM)를 통해 얻습니다. 주 자산과 복제 자산 간의 잔차는 평균 회귀 속성을 조사하고, 충분히 빠르게 평균 회귀하는 포트폴리오에 대해 거래 신호가 생성됩니다. 딥러닝 기반 복제 방법을 도입하는 것 외에도, Avellaneda와 Lee (2008)의 프레임워크를 폴란드 시장에 적용했습니다. WIG20, mWIG40 구성 요소 및 선택된 섹터 지수는 원래 S&P500 유니버스를 대체하며, 무위험 이자율 및 거래 비용과 같은 시장 매개변수는 현지 조건을 반영하도록 업데이트됩니다. 전체 전략 파이프라인(위험 요인 구성, Ornstein Uhlenbeck 프로세스를 통한 잔차 모델링 및 신호 생성)을 설명합니다. 각 복제 기법은 실제 구현과 함께 설명됩니다. 전략 성과는 2017-2019년과 경기 침체 연도인 2020년의 두 기간 동안 평가되었습니다.
