Prämien für statistisches Arbitragerisiko mit Peer-Portfolios und Elastic Net schätzen

Zusammenfassung

Diese Studie schlägt eine Methode vor, um die Rendite zu schätzen, die mit dem Risiko einer einzelnen Aktie verbunden ist, das sie nicht mit ähnlichen Aktien teilt, selbst wenn die zugrunde liegenden Risikofaktoren unbekannt sind. Dazu wird ein Peer-Replikationsportfolio erstellt, indem die historischen Renditen jeder Aktie auf die Renditen anderer Aktien projiziert werden. Elastic Net erzeugt dünn besetzte Portfoliogewichte; die Differenz zwischen einer Aktie und ihrem Peer-Portfolio bildet ihr faktorielles Residualrisiko ab. Die erwartete Rendite dieses Residuums wird als Risikoprämie statistischer Arbitrage bezeichnet.

Aktien mit einem niedrigeren R-Quadrat der Peer-Anpassung werden als Aktien mit höherem statistischem Arbitragerisiko eingestuft. In den berichteten Querschnittsergebnissen weisen Aktien mit hohem Risiko höhere monatliche Residualprämien und Überschussrenditen auf als Aktien mit niedrigem Risiko; das durchschnittliche Risiko über Aktien hinweg ist antizyklisch. Die Autoren geben an, dass die Ergebnisse auch nach Kontrolle bekannter Faktoren und Unternehmenseigenschaften bestehen bleiben. Der Auszug beschreibt weder Umsetzungskosten und Portfolioumschlag noch Out-of-Sample-Performance und zeigt daher nicht, ob sich die gemessene Prämie nach Handelsfriktionen direkt erzielen lässt.

Kernaussagen

• Peer-Portfolios können das Faktorengagement einer Aktie absichern, wenn die Faktoren selbst unbekannt sind.
• Elastic Net projiziert vergangene Renditen jeder Aktie auf andere Aktien, um dünn besetzte Peer-Portfolio-Gewichte zu bilden.
• Ein niedriges R-Quadrat der Peer-Anpassung weist auf ein höheres aktienspezifisches statistisches Arbitragerisiko hin.
• Die Studie berichtet höhere Residualprämien und Überschussrenditen für Aktien mit hohem Risiko.
• Die berichteten Zusammenhänge sind robust gegenüber Kontrollvariablen; Handelskosten und Out-of-Sample-Ergebnisse werden jedoch nicht beschrieben.

Schlagwörter

# Statistical Arbitrage Risk Premium by Machine Learning


# Statistical Arbitrage Risk Premium by Machine Learning









How to hedge factor risks without knowing the identities of the factors? We first prove a general theoretical result: even if the exact set of factors cannot be identified, any risky asset can use some portfolio of similar peer assets to hedge against its own factor exposures. A long position of a risky asset and a short position of a "replicate portfolio" of its peers represent that asset's factor residual risk. We coin the expected return of an asset's factor residual risk as its Statistical Arbitrage Risk Premium (SARP). The challenge in empirically estimating SARP is finding the peers for each asset and constructing the replicate portfolios. We use the elastic-net, a machine learning method, to project each stock's past returns onto that of every other stock. The resulting high-dimensional but sparse projection vector serves as investment weights in constructing the stocks' replicate portfolios. We say a stock has high (low) Statistical Arbitrage Risk (SAR) if it has low (high) R-squared with its peers. The key finding is that "unique" stocks have both a higher SARP and higher excess returns than "ubiquitous" stocks: in the cross-section, high SAR stocks have a monthly SARP (monthly excess returns) that is 1.101% (0.710%) greater than low SAR stocks. The average SAR across all stocks is countercyclical. Our results are robust to controlling for various known priced factors and characteristics.

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.