Primas de riesgo de arbitraje estadístico con carteras de pares Elastic Net

Artículo arXiv papers · Autor: Raymond C. W. Leung et al.

Resumen

Este estudio propone una forma de estimar el rendimiento asociado al riesgo propio de una acción que no comparte con otras acciones similares, incluso cuando se desconocen los factores de riesgo subyacentes. Construye una cartera de réplica de pares proyectando los rendimientos históricos de cada acción sobre los rendimientos de otras acciones. Elastic Net genera ponderaciones de cartera dispersas, y la diferencia entre una acción y su cartera de pares representa su riesgo residual de factores. El rendimiento esperado de ese residual se denomina prima de riesgo de arbitraje estadístico.

Las acciones con un R² de ajuste a pares más bajo se clasifican como de mayor riesgo de arbitraje estadístico. En los resultados transversales comunicados, las acciones de alto riesgo presentan primas residuales mensuales y rendimientos excedentes superiores a los de las acciones de bajo riesgo; el riesgo medio entre acciones es anticíclico. Los autores afirman que los resultados persisten tras controlar los factores conocidos y las características de las empresas. El fragmento no describe los costes de implementación, la rotación de la cartera ni el rendimiento fuera de muestra, por lo que no muestra si la prima medida puede capturarse directamente una vez considerados los costes de trading.

Ideas clave

Las carteras de pares pueden ayudar a cubrir la exposición de una acción a factores cuando estos se desconocen.
Elastic Net proyecta los rendimientos pasados de cada acción sobre los de otras acciones para crear ponderaciones dispersas en una cartera de pares.
Un R² de ajuste a pares bajo indica un mayor riesgo de arbitraje estadístico específico de la acción.
El estudio informa de primas residuales y rendimientos excedentes mayores para las acciones de alto riesgo.
Las relaciones comunicadas se mantienen al aplicar controles, pero no se describen los costes de trading ni los resultados fuera de muestra.

Etiquetas

Renta variable Aprendizaje automático Inversión por factores Arbitraje Estadística

Texto completo

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.