طراحی سبدهای بازگشتبهمیانگین با بودجه محدود
خلاصه
این مقاله مسئله طراحی سبد برای آربیتراژ آماری را صورتبندی میکند و در پی ترکیبهایی از داراییهای پایه با رفتار قوی بازگشتبهمیانگین است. هدف آن معیاری برای سنجش قدرت بازگشتبهمیانگین را در برابر واریانس سبد متوازن میکند و همزمان محدودیت بودجه سرمایهگذاری را اعمال میکند. سپس چند صورتبندی مشخص ارائه میدهد و الگوریتمهای کارآمدی برای حل آنها پیشنهاد میکند.
گزارش شده است که مطالعات عددی با استفاده از دادههای مصنوعی و بازار نشان میدهند این روشها میتوانند سودهای پایداری ایجاد کنند و از روشهای سنتی طراحی سبد و روشهای مبنا که در ادبیات بررسی شدهاند بهتر عمل کنند. این گزیده بازارها، دورههای ارزیابی، فرضهای هزینه معامله یا اندازه و استحکام نتایج را بیان نمیکند. ازآنجاکه رویکرد بر آربیتراژ آماری مبتنی است، این جزئیات اجراییِ ذکرنشده برای قضاوت درباره سودآوری سبدهای طراحیشده پس از هزینههای معامله و خارج از نمونه اهمیت دارند.
ایدههای کلیدی
- هدف طراحی، یافتن سبدهایی از داراییها با رفتار قوی بازگشتبهمیانگین است.
- واریانس سبد و محدودیت بودجه سرمایهگذاری در صورتبندی لحاظ شدهاند.
- مقاله چند صورتبندی را بررسی میکند و الگوریتمهای کارآمدی برای حل آنها پیشنهاد میدهد.
- گزارش شده که نتایج عددی روی دادههای مصنوعی و بازار از طراحیهای سنتی و مبنا بهترند.
- این گزیده هزینههای معامله، دورههای ارزیابی یا استحکام عملکرد در بازار را مشخص نمیکند.
برچسبها
متن کامل
# Mean-Reverting Portfolio Design with Budget Constraint # Mean-Reverting Portfolio Design with Budget Constraint This paper considers the mean-reverting portfolio design problem arising from statistical arbitrage in the financial markets. We first propose a general problem formulation aimed at finding a portfolio of underlying component assets by optimizing a mean-reversion criterion characterizing the mean-reversion strength, taking into consideration the variance of the portfolio and an investment budget constraint. Then several specific problems are considered based on the general formulation, and efficient algorithms are proposed. Numerical results on both synthetic and market data show that our proposed mean-reverting portfolio design methods can generate consistent profits and outperform the traditional design methods and the benchmark methods in the literature.
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.