اختيار المحافظ متعددة العوامل للمراجحة الإحصائية

الملخص

تدرس الورقة المراجحة الإحصائية القائمة على التكامل المشترك، وتقارن طرقًا لاختيار محافظ أسهم مرشحة باستخدام عوامل متعددة. وتقيّم التجميع بطريقة K-means، ولاسو الرسومي عبر مجموعة الأسهم، ونهجًا هجينًا يجمع بينهما. وتُظهر النتائج المعلنة تفوق التجميع على استخدام لاسو الرسومي وحده، بينما يحقق النهج الهجين نتائج أفضل أيضًا.

كما يختبر المؤلفون ما إذا كان تحديث المحافظ المرشحة مرة واحدة خلال فترة التداول يحسن النتائج. وفي هذه الدراسة، لم يتفوق التكيف على الاستراتيجية التي لا تستخدم إعادة التعلم. وتجتاز النتائج اختبار المراجحة الإحصائية بمستوى ذي دلالة إحصائية، ويجري التحقق منها باستخدام مجموعة بيانات منفصلة لفترتي التكوين والتداول. ولا يحدد الملخص العوامل أو تفاصيل بناء المحافظ أو تكاليف المعاملات أو مقاييس الأداء، لذا لا يثبت كيفية مقارنة هذه الأساليب في أسواق أخرى أو في ظل افتراضات تنفيذ مختلفة.

الأفكار الرئيسية

• تستخدم الدراسة عوامل متعددة لتحديد محافظ مرشحة للمراجحة الإحصائية القائمة على التكامل المشترك.
• تقارن الدراسة بين التجميع بطريقة K-means ولاسو الرسومي ونهج اختيار هجين.
• يحقق التجميع أداءً أفضل في المتوسط من تطبيق لاسو الرسومي على مجموعة الأسهم كاملة.
• يؤدي الجمع بين التجميع ولاسو الرسومي إلى نتائج معلنة أقوى من أي من الطريقتين منفردة.
• لا تؤدي إعادة حساب المحافظ المرشحة مرة واحدة أثناء التداول إلى تحسين النتائج في هذه الدراسة.
• تجتاز النتائج المعلنة اختبار المراجحة الإحصائية ويجري التحقق منها باستخدام مجموعة بيانات منفصلة.

الوسوم

# A Multi-factor Adaptive Statistical Arbitrage Model


# A Multi-factor Adaptive Statistical Arbitrage Model









This paper examines the implementation of a statistical arbitrage trading strategy based on co-integration relationships where we discover candidate portfolios using multiple factors rather than just price data. The portfolio selection methodologies include K-means clustering, graphical lasso and a combination of the two. Our results show that clustering appears to yield better candidate portfolios on average than naively using graphical lasso over the entire equity pool. A hybrid approach of using the combination of graphical lasso and clustering yields better results still. We also examine the effects of an adaptive approach during the trading period, by re-computing potential portfolios once to account for change in relationships with passage of time. However, the adaptive approach does not produce better results than the one without re-learning. Our results managed to pass the test for the presence of statistical arbitrage test at a statistically significant level. Additionally we were able to validate our findings over a separate dataset for formation and trading periods.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.