Multi-Faktor-Portfoliowahl für statistische Arbitrage

Zusammenfassung

Die Arbeit untersucht statistische Arbitrage auf Basis von Kointegration und vergleicht Methoden zur Suche nach geeigneten Aktienportfolios anhand mehrerer Faktoren. Bewertet werden K-Means-Clustering, grafisches Lasso über das gesamte Aktienuniversum und ein hybrider Ansatz, der beide Methoden kombiniert. Die berichteten Ergebnisse sprechen für Clustering gegenüber grafischem Lasso allein; der hybride Ansatz schneidet noch besser ab.

Die Autoren testen außerdem, ob eine einmalige Aktualisierung der Portfolio-Kandidaten während des Handelszeitraums die Ergebnisse verbessert. In dieser Studie übertrifft die Anpassung die Strategie ohne erneutes Lernen nicht. Die Ergebnisse bestehen einen Test auf statistische Arbitrage auf statistisch signifikantem Niveau und werden anhand eines separaten Datensatzes für die Auswahl- und Handelszeiträume validiert. Die Zusammenfassung nennt weder die Faktoren noch Details zur Portfoliokonstruktion, Transaktionskosten oder Leistungskennzahlen. Daher lässt sich daraus nicht ableiten, wie die Ansätze in anderen Märkten oder unter anderen Umsetzungsannahmen abschneiden würden.

Kernaussagen

• Die Studie nutzt mehrere Faktoren, um Kandidatenportfolios für statistische Arbitrage auf Basis von Kointegration zu identifizieren.
• Verglichen werden K-Means-Clustering, grafisches Lasso und ein hybrider Auswahlansatz.
• Im Durchschnitt schneidet Clustering besser ab als grafisches Lasso auf das gesamte Aktienuniversum anzuwenden.
• Die Kombination von Clustering und grafischem Lasso liefert bessere berichtete Ergebnisse als jede der beiden Methoden allein.
• Eine Neuberechnung der Kandidatenportfolios während des Handels verbessert die Ergebnisse in dieser Studie nicht.
• Die berichteten Ergebnisse bestehen einen Test auf statistische Arbitrage und werden anhand eines separaten Datensatzes geprüft.

Schlagwörter

# 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.

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.