HJB: arbitraje estadístico optimizado para acciones cointegradas | Stratmill

Resumen

El artículo desarrolla carteras de arbitraje estadístico para varias acciones cointegradas, utilizando carteras propias como factores. Formula la selección de carteras como un problema de control estocástico y determina los pesos óptimos resolviendo una ecuación de Hamilton-Jacobi-Bellman. El análisis considera tanto carteras sin restricciones como carteras que deben mantenerse neutrales al mercado, y establece condiciones para los parámetros destinadas a garantizar la estabilidad a largo plazo de las soluciones y las tasas de crecimiento de las carteras.

Los backtests históricos de los componentes del S&P 500, desde 2000 hasta 2021, sugieren que el modelo puede identificar muchas acciones cointegradas en horizontes largos. Las estrategias analizadas obtuvieron mejores resultados en periodos de mayor volatilidad general del mercado, pero sus resultados eran sensibles a las estimaciones de los parámetros. Estos hallazgos indican que la calidad de las estimaciones y el régimen de mercado pueden influir considerablemente en la implementación. El documento no especifica los costes de transacción, las comparaciones con índices de referencia ni las salvaguardas fuera de muestra; por tanto, los backtests por sí solos no demuestran que las estrategias sigan siendo rentables en el trading real.

Ideas clave

• El marco modela varias acciones cointegradas con carteras propias como factores.
• Los pesos de la cartera se obtienen resolviendo una ecuación de Hamilton-Jacobi-Bellman.
• El estudio analiza carteras tanto sin restricciones como neutrales al mercado.
• Los backtests de los componentes del S&P 500 abarcan el periodo desde 2000 hasta 2021.
• La rentabilidad analizada es mayor en periodos volátiles, mientras que los resultados son sensibles a las estimaciones de los parámetros.

Etiquetas

# Statistical Arbitrage for Multiple Co-Integrated Stocks


# Statistical Arbitrage for Multiple Co-Integrated Stocks









In this article, we analyse optimal statistical arbitrage strategies from stochastic control and optimisation problems for multiple co-integrated stocks with eigenportfolios being factors. Optimal portfolio weights are found by solving a Hamilton-Jacobi-Bellman (HJB) partial differential equation, which we solve for both an unconstrained portfolio and a portfolio constrained to be market neutral. Our analyses demonstrate sufficient conditions on the model parameters to ensure long-term stability of the HJB solutions and stable growth rates for the optimal portfolios. To gauge how these optimal portfolios behave in practice, we perform backtests on historical stock prices of the S&P 500 constituents from year 2000 through year 2021. These backtests suggest three key conclusions: that the proposed co-integrated model with eigenportfolios being factors can generate a large number of co-integrated stocks over a long time horizon, that the optimal portfolios are sensitive to parameter estimation, and that the statistical arbitrage strategies are more profitable in periods when overall market volatilities are high.

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.