Markus Pelger

AQR Capital Management 量化研究员。

在本 wiki 的论文

Guijarro-Ordonez-Pelger-Zanotti 2022 — Deep Learning Statistical Arbitrage — 把「残差构造 / 信号提取 / 头寸配置」三环节用一个全局经济目标联合优化，IPCA 残差 + CNN-Transformer 样本外 Sharpe 约 4
Chen-Pelger-Zhu 2021 — Deep Learning in Asset Pricing — 把无套利矩条件写进神经网络训练目标，用生成对抗网络数据驱动地构造最难被定价的 test assets，用 LSTM 从 178 条宏观序列提取 4 个经济隐状态，从个股收益率反推随机贴现因子 (SDF)。样本外年化 Sharpe 2.6、解释个股方差 8%、预期收益 23%。见深度学习资产定价

在资产定价模型之下找交易机会。他的统计套利不是直接配对相似股票，而是先建资产定价模型取残差——残差是「暂时偏离公允价格」的部分，因而可交易、且近乎正交于公司特征与系统因子。

这一路线与 Risk Model Enhancement via Transient Statistical Factors 是同一思路的两个方向：那篇做风险模型预测，这篇把风险模型残差变成交易信号。

Deep Learning in Asset Pricing 体现了一条与统计套利互补但同源的路线：两篇都主张把经济约束写进学习算法，而不是先做一步预测再优化。

	Deep Learning in Asset Pricing (2021)	Deep Learning Statistical Arbitrage (2022)
学习对象	随机贴现因子 SDF 与风险暴露 \beta	统计套利残差与头寸
经济约束	无套利矩条件（用对抗网络从无穷矩条件中选信息量最大的）	交易摩擦、换手、卖空比例约束
网络组合	FFN + LSTM + GAN	IPCA + CNN + Transformer

论文的关键判断是：纯预测路线（Gu-Kelly-Xiu 式的"厨房水槽"深度学习）在资产定价上打不过带无套利约束的线性模型——经济约束的引入比模型灵活度更重要。