مدل‌های عاملی شرطی برای آربیتراژ آماری سهام
خلاصه
این پژوهش روشی برای آربیتراژ آماری بر پایه مدل عاملی شرطی برای سبدی از سهام US می‌سازد. مدل فضای حالت، بازده‌ها را ترکیب‌های پرنویز از مقادیر عوامل و صرف ریسک عاملیِ نهفته و متغیر در زمان در نظر می‌گیرد. فیلترگذاری و پیش‌بینی برخط این صرف‌ها را برآورد می‌کنند و بازده مورد انتظار را به‌دست می‌دهند تا با بازده مشاهده‌شده مقایسه شود؛ انحراف‌های بزرگ نامزدهایی برای بازگشت به میانگین تلقی می‌شوند.
نویسندگان استراتژی معاملاتی‌ای را ارزیابی می‌کنند که هزینه‌های معامله را لحاظ می‌کند و از نسخه‌های خطی و غیرخطی مدل فضای حالت بهره می‌برد. آن‌ها نتایج یک تاریخچه 29 ساله را گزارش و عملکرد را با معیارهای ساده و رویکردهای منتشرشده دیگر مقایسه می‌کنند و روش را رقابتی می‌یابند. همچنین گزارش می‌کنند که عملکرد با گذشت زمان، به‌ویژه در سال‌های اخیر، افت کرده است؛ هرچند در تحلیل آن‌ها همچنان از نظر اقتصادی جذاب می‌ماند. متن در اینجا جزئیاتی درباره انتخاب دارایی، آستانه‌های معامله، فرض‌های هزینه یا کنترل ریسک ارائه نمی‌کند؛ بنابراین یافته‌های گزارش‌شده به‌تنهایی برای قضاوت درباره انتقال‌پذیری استراتژی به بازار یا دوره‌ای دیگر کافی نیستند.
ایده‌های کلیدی
- مدل عاملی فضای حالت می‌تواند بازده سهام را به‌صورت مواجهه‌های پرنویز با صرف ریسک عوامل نهفته بازنمایی کند.
- برآوردهای برخط صرف‌های متغیر در زمان، مدل را با تغییر رفتار بازده سازگار می‌کنند.
- فاصله‌های بزرگ میان بازده مشاهده‌شده و فیلترشده، فرصت‌های بالقوه معامله بر مبنای بازگشت به میانگین تلقی می‌شوند.
- استراتژی ارزیابی‌شده هزینه‌های معامله و گونه‌های خطی و غیرخطی مدل را دربرمی‌گیرد.
- عملکرد گزارش‌شده در نمونه‌ای بلندمدت رقابتی است، اما در سال‌های اخیر افت کرده است.
برچسب‌ها
متن کامل
# On statistical arbitrage under a conditional factor model of equity returns # On statistical arbitrage under a conditional factor model of equity returns We consider a conditional factor model for a multivariate portfolio of United States equities in the context of analysing a statistical arbitrage trading strategy. A state space framework underlies the factor model whereby asset returns are assumed to be a noisy observation of a linear combination of factor values and latent factor risk premia. Filter and state prediction estimates for the risk premia are retrieved in an online way. Such estimates induce filtered asset returns that can be compared to measurement observations, with large deviations representing candidate mean reversion trades. Further, in that the risk premia are modelled as time-varying quantities, non-stationarity in returns is de facto captured. We study an empirical trading strategy respectful of transaction costs, and demonstrate performance over a long history of 29 years, for both a linear and a non-linear state space model. Our results show that the model is competitive relative to the results of other methods, including simple benchmarks and other cutting-edge approaches as published in the literature. Also of note, while strategy performance degradation is noticed through time -- especially for the most recent years -- the strategy continues to offer compelling economics, and has scope for further advancement.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.