Statistische Aktienarbitrage mit bedingten Faktormodellen

Zusammenfassung

Diese Studie entwickelt eine statistische Arbitragemethode auf Basis eines bedingten Faktormodells für ein Portfolio aus US-Aktien. Ein Zustandsraummodell behandelt Renditen als verrauschte Kombinationen aus Faktorwerten und latenten, zeitvariablen Faktorrisikoprämien. Online-Filterung und Prognosen schätzen diese Prämien und erzeugen erwartete Renditen, die mit den beobachteten Renditen verglichen werden können; große Abweichungen gelten als mögliche Kandidaten für eine Mean-Reversion.

Die Autoren bewerten eine Handelsstrategie, die Transaktionskosten berücksichtigt und sowohl lineare als auch nichtlineare Varianten des Zustandsraummodells nutzt. Sie berichten Ergebnisse über einen Zeitraum von 29 Jahren und vergleichen die Performance mit einfachen Benchmarks und anderen veröffentlichten Ansätzen. Dabei schneidet die Methode konkurrenzfähig ab. Zugleich berichten sie, dass die Performance mit der Zeit nachgelassen hat, besonders in den jüngeren Jahren, in ihrer Analyse aber weiterhin wirtschaftlich überzeugend ist. Das Dokument enthält hier keine Angaben zur Auswahl der Vermögenswerte, zu Handelsschwellen, Kostenannahmen oder Risikokontrollen. Anhand der berichteten Ergebnisse allein lässt sich daher nicht beurteilen, ob sich die Strategie auf einen anderen Markt oder Zeitraum übertragen lässt.

Kernaussagen

• Ein Faktormodell im Zustandsraum kann Aktienrenditen als verrauschte Exposures gegenüber latenten Faktorrisikoprämien abbilden.
• Online-Schätzungen zeitvariabler Prämien passen das Modell an verändertes Renditeverhalten an.
• Große Abstände zwischen beobachteten und gefilterten Renditen gelten als potenzielle Mean-Reversion-Trades.
• Die bewertete Strategie berücksichtigt Transaktionskosten und nutzt lineare sowie nichtlineare Modellvarianten.
• Die berichtete Performance ist über einen langen Zeitraum konkurrenzfähig, nimmt in den jüngeren Jahren jedoch ab.

Schlagwörter

# On statistical arbitrage under a conditional factor model of equity returns


# On statistical arbitrage under a conditional factor model of equity returns









We consider a conditional factor model for a multivariate portfolio of United States equities in the context of analysing a statistical arbitrage trading strategy. A state space framework underlies the factor model whereby asset returns are assumed to be a noisy observation of a linear combination of factor values and latent factor risk premia. Filter and state prediction estimates for the risk premia are retrieved in an online way. Such estimates induce filtered asset returns that can be compared to measurement observations, with large deviations representing candidate mean reversion trades. Further, in that the risk premia are modelled as time-varying quantities, non-stationarity in returns is de facto captured. We study an empirical trading strategy respectful of transaction costs, and demonstrate performance over a long history of 29 years, for both a linear and a non-linear state space model. Our results show that the model is competitive relative to the results of other methods, including simple benchmarks and other cutting-edge approaches as published in the literature. Also of note, while strategy performance degradation is noticed through time -- especially for the most recent years -- the strategy continues to offer compelling economics, and has scope for further advancement.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.