Working Papers

Seria wydawnicza WNE WORKING PAPERS prowadzona jest przez WNE UW od 2008 r. i jak dotąd opublikowano w niej ponad 400 prac.

Seria WNE Working Papers służy szybkiemu upowszechnianiu wyników badań prowadzonych na Wydziale Nauk Ekonomicznych UW. Publikowane tu teksty mają charakter wersji roboczych (pre-printów): mogą być uzupełniane lub poprawiane w miarę postępu prac nad tekstem i procesu wydawniczego. Prezentujemy aktualną wersję udostępnioną przez autorów, opatrzoną datą oraz identyfikatorami DOI/ISSN – co ułatwia jej cytowanie i śledzenie kolejnych iteracji. Każdy dokument zachowuje pełne prawa autorskie swoich twórców, a w przypadku późniejszych zmian, autorzy mogą w dowolnym momencie zamieścić zaktualizowany plik lub wskazać miejsce ostatecznego wydania.

Do serii WORKING PAPERS przyjmowane są artykuły pracowników naukowych WNE UW oraz publikacje z konferencji organizowanych na WNE UW. Artykuły powinny dotyczyć ekonomii, mieć charakter oryginalnych prac badawczych, nie być wcześniej publikowane. Przyjmowane są wyłącznie teksty w języku angielskim.

Prace prosimy przesyłać e-mailem na adres: U|{r'}N0-l]Hu6D&A\p!7xwI~1/]#[Mln^ll2{i]C7iQ8r}efwD^\?-|v

Prosimy przesyłać dwa pliki:

(1) główny tekst bez podania tytułu artykułu oraz autorów (plik DOC/DOCX) oraz

(2) stronę tytułową zawierającą: tytuł opracowania, autorów oraz ich afiliację (plik DOC/DOCX). 

Przed przesłaniem tekstu prosimy zapoznać się z szczegółowymi wymogami edycyjnymi.

Redaktorem wydawniczym serii Working Papers jest dr Maciej Bukowski.

Ilość wyników 2

WP(22/2025)485. A survey of statistical arbitrage pair trading with machine learning, deep learning, and reinforcement learning methods

Autorzy: Sun Yufei
Pair trading remains a cornerstone strategy in quantitative finance, having consistently attracted scholarly attention from both economists and computer scientists. Over recent decades, research has expanded beyond traditional linear frameworks&mdash…

WP485. A survey of statistical arbitrage pair trading with machine learning, deep learning, and reinforcement learning methods

Pair trading remains a cornerstone strategy in quantitative finance, having consistently attracted scholarly attention from both economists and computer scientists. Over recent decades, research has expanded beyond traditional linear frameworks—such as regression- and cointegration-based models—to embrace advanced methodologies, including machine learning (ML), deep learning (DL), reinforcement learning (RL), and deep reinforcement learning (DRL). These techniques have demonstrated superior capacity to capture nonlinear dependencies and complex dynamics in financial data, thereby enhancing predictive performance and strategy design.
Building on these academic developments, practitioners are increasingly deploying DL models to forecast asset price movements and volatility in equity and foreign exchange markets, leveraging the advantages of artificial intelligence (AI) for trading. In parallel, DRL has gained prominence in algorithmic trading, where agents can autonomously learn optimal trading policies by interacting with market environments, enabling systems that move beyond price prediction to dynamic signal generation and portfolio allocation.
This paper provides a comprehensive survey of ML-, DL-, RL-, and DRL-based approaches to pair trading within quantitative finance. By systematically reviewing existing studies and highlighting their methodological contributions, it offers researchers a structured foundation for replication and further development. In addition, the paper outlines promising avenues for future research that extend the application of AI-driven methods in statistical arbitrage and market microstructure analysis.


DOI: https://doi.org/10.33138/2957-0506.2025.22.485
Sun Yufei
Pair Trading Machine Learning Deep Learning Reinforcement Learning Deep Reinforcement Learning Artificial Intelligence Quantitative Trading

WP(21/2025)484. Performance of Pairs Trading Strategies Based on Principal Component Analysis Methods

Autorzy: Sun Yufei
This thesis examines market-neutral, mean-reversion-based statistical arbitrage strategies in the Chinese equity market, using two factor decomposition methods: Principal Component Analysis (PCA) and sector-based Exchange-Traded Funds (ETFs). Residua…

WP484. Performance of Pairs Trading Strategies Based on Principal Component Analysis Methods

This thesis examines market-neutral, mean-reversion-based statistical arbitrage strategies in the Chinese equity market, using two factor decomposition methods: Principal Component Analysis (PCA) and sector-based Exchange-Traded Funds (ETFs). Residual returns are modeled as mean-reverting Ornstein–Uhlenbeck (OU) processes, generating contrarian signals. A 60-day rolling window ensures out-of-sample estimation. Realistic frictions are included via a 10-basis-point round-trip cost. Backtests from 2005 to 2024 compare four configurations: synthetic ETFs, fixed PCA, dynamic PCA, and trading-time volume adjustments. Both PCA- and ETF-based strategies deliver robust Sharpe ratios near 0.90–0.95. PCA portfolios perform better under high cross-sectional volatility, while ETF-based models remain stable during structural shifts. Incorporating trading volume enhances returns, especially for ETF models. Sensitivity analysis highlights the importance of threshold tuning and rolling-window lengths. These findings stress the critical role of factor construction and signal design in market-neutral strategies, suggesting further improvement via adaptive PCA and volume-weighted signals.


DOI: https://doi.org/10.33138/2957-0506.2025.21.484
Sun Yufei
Quantitative Trading Pair Trading Principal Component Analysis Chinese Stock Market
  • 1