Cointegración matricial para series temporales estructuradas y trading de pares

Resumen

El documento presenta un modelo autorregresivo cointegrado para series temporales cuyas observaciones son matrices. Sus relaciones de cointegración son bilineales y representan estructuras tanto en filas como en columnas. Esta formulación pretende conservar la organización matricial y facilitar interpretaciones que la cointegración ordinaria quizá no capte de forma tan directa. Los autores describen estimadores de mínimos cuadrados y de máxima verosimilitud para los vectores de cointegración y otros parámetros del modelo, y derivan distribuciones asintóticas cuando hay tendencias.

La evidencia descrita incluye simulaciones que comparan el método con enfoques tradicionales y una aplicación a carteras de Fama-French, a partir de la cual los autores desarrollan una estrategia de trading de pares. El resumen afirma que el rendimiento en simulación es superior, pero no ofrece detalles sobre la configuración de los datos, las métricas ni los resultados de trading. Tampoco especifica decisiones de implementación como la construcción de señales, los costes de transacción o los controles de riesgo. Así, el documento presenta un marco de modelización estadística y una aplicación ilustrativa al trading, pero no información suficiente para evaluar si la estrategia funcionaría después de costes o se generalizaría a otras carteras.

Ideas clave

• El modelo representa la cointegración en datos matriciales mediante relaciones bilineales entre filas y columnas.
• Los métodos de mínimos cuadrados y máxima verosimilitud estiman los vectores de cointegración y los demás parámetros del modelo.
• Los autores establecen resultados asintóticos para modelos autorregresivos matriciales con tendencia.
• Las simulaciones y una aplicación a carteras de Fama-French ilustran el método, incluida una estrategia de trading de pares.

Etiquetas

# 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.

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.