Selección de carteras multifactorial para arbitraje estadístico

Resumen

El artículo estudia el arbitraje estadístico basado en cointegración y compara formas de encontrar carteras de acciones candidatas mediante varios factores. Evalúa la agrupación K-means, el graphical lasso aplicado al conjunto de acciones y una combinación de ambos. Los resultados comunicados favorecen la agrupación frente al graphical lasso por sí solo, y la combinación obtiene resultados aún mejores.

Los autores también prueban si actualizar una vez las carteras candidatas durante el periodo de trading mejora los resultados. En este estudio, la adaptación no supera a la estrategia sin reaprendizaje. Los resultados superan la prueba de arbitraje estadístico a un nivel estadísticamente significativo y se validan con conjuntos de datos separados para los periodos de formación y trading. El resumen no especifica los factores, los detalles de construcción de carteras, los costes de transacción ni las medidas de rendimiento, por lo que no demuestra cómo se compararían los enfoques en otros mercados o con supuestos de implementación distintos.

Ideas clave

• El estudio utiliza varios factores para identificar carteras candidatas para el arbitraje estadístico basado en cointegración.
• Compara la agrupación K-means, el graphical lasso y un enfoque híbrido de selección.
• En promedio, la agrupación obtiene mejores resultados que aplicar graphical lasso a todo el conjunto de acciones.
• Combinar la agrupación con graphical lasso produce resultados comunicados superiores a los de cualquiera de los métodos por separado.
• Recalcular una vez las carteras candidatas durante el trading no mejora los resultados de este estudio.
• Los resultados comunicados superan una prueba de arbitraje estadístico y se comprueban con un conjunto de datos separado.

Etiquetas

# 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.

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.