Matrix-Kointegration für strukturierte Zeitreihen und Pair Trading

Zusammenfassung

Das Dokument führt ein kointegriertes autoregressives Modell für Zeitreihen ein, deren Beobachtungen Matrizen sind. Die Kointegrationsbeziehungen sind bilinear und bilden Strukturen sowohl über Zeilen als auch über Spalten hinweg ab. Diese Formulierung soll die Matrixstruktur erhalten und Interpretationen ermöglichen, die sich mit gewöhnlicher Kointegration möglicherweise weniger direkt erfassen lassen. Die Autoren beschreiben Kleinste-Quadrate- und Maximum-Likelihood-Schätzer für die Kointegrationsvektoren und weitere Modellparameter. Außerdem leiten sie asymptotische Verteilungen her, wenn Trends vorliegen.

Die beschriebene Evidenz umfasst Simulationen, in denen das Verfahren mit herkömmlichen Ansätzen verglichen wird, sowie eine Anwendung auf Fama-French-Portfolios, aus der die Autoren eine Pair-Trading-Strategie entwickeln. Die Zusammenfassung behauptet eine bessere Simulationsleistung, nennt jedoch weder Einzelheiten zum Datenszenario und den Kennzahlen noch Handelsergebnisse. Auch Umsetzungsentscheidungen wie Signalbildung, Transaktionskosten oder Risikokontrollen werden nicht beschrieben. Das Dokument stellt somit einen statistischen Modellierungsrahmen und eine veranschaulichende Handelsanwendung vor, liefert aber nicht genug Informationen, um zu beurteilen, ob die Strategie nach Kosten funktionieren oder sich auf andere Portfolios übertragen ließe.

Kernaussagen

• Das Modell bildet Kointegration in matrixwertigen Daten durch bilineare Beziehungen zwischen Zeilen und Spalten ab.
• Kleinste-Quadrate- und Maximum-Likelihood-Verfahren schätzen Kointegrationsvektoren und übrige Modellparameter.
• Die Autoren leiten asymptotische Ergebnisse für trendbehaftete Matrixautoregressionen her.
• Simulationen und eine Anwendung auf Fama-French-Portfolios veranschaulichen das Verfahren, einschließlich einer Pair-Trading-Strategie.

Schlagwörter

# Cointegrated Matrix Autoregression Models


# Cointegrated Matrix Autoregression Models









We propose a novel cointegrated autoregressive model for matrix-valued time series, with bi-linear cointegrating vectors corresponding to the rows and columns of the matrix data. Compared to the traditional cointegration analysis, our proposed matrix cointegration model better preserves the inherent structure of the data and enables corresponding interpretations. To estimate the cointegrating vectors as well as other coefficients, we introduce two types of estimators based on least squares and maximum likelihood. We investigate the asymptotic properties of the cointegrated matrix autoregressive model under the existence of trend and establish the asymptotic distributions for the cointegrating vectors, as well as other model parameters. We conduct extensive simulations to demonstrate its superior performance over traditional methods. In addition, we apply our proposed model to Fama-French portfolios and develop a effective pairs trading strategy.

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.