برآورد صرف ریسک آربیتراژ آماری با سبدهای همتا و الاستیک‌نت
خلاصه
این پژوهش روشی برای برآورد بازده مرتبط با ریسک یک سهم پیشنهاد می‌کند که میان سهام مشابه مشترک نیست، حتی وقتی عوامل ریسک زیربنایی ناشناخته‌اند. با تصویرکردن بازده‌های تاریخی هر سهم بر بازده‌های سهام دیگر، سبدی همتا برای بازتولید آن می‌سازد. روش الاستیک‌نت وزن‌های تنک سبد را به دست می‌دهد و فاصلهٔ میان سهم و سبد همتای آن، ریسک باقیماندهٔ عاملی سهم را نشان می‌دهد. بازده موردانتظار این باقیمانده «صرف ریسک آربیتراژ آماری» نامیده می‌شود.
سهامی که ضریب تعیین برازش همتای کمتری دارند، دارای ریسک آربیتراژ آماری بیشتری طبقه‌بندی می‌شوند. در نتایج مقطعی گزارش‌شده، سهام پرریسک در مقایسه با سهام کم‌ریسک، صرف‌های باقیمانده و بازده‌های مازاد ماهانهٔ بیشتری دارند؛ میانگین ریسک سهام نیز خلاف‌چرخه‌ای است. نویسندگان می‌گویند نتایج پس از کنترل عوامل شناخته‌شده و ویژگی‌های شرکت باقی می‌مانند. گزیده، هزینه‌های اجرا، گردش سبد یا عملکرد خارج از نمونه را شرح نمی‌دهد و بنابراین نشان نمی‌دهد که پس از اصطکاک‌های معاملاتی بتوان مستقیماً از صرف اندازه‌گیری‌شده بهره برد.
ایده‌های کلیدی
- سبدهای همتا می‌توانند در پوشش مواجههٔ عاملی یک سهم کمک کنند، حتی وقتی خود عوامل ناشناخته‌اند.
- الاستیک‌نت بازده‌های گذشتهٔ هر سهم را بر سهام دیگر تصویر می‌کند تا وزن‌های تنک سبد همتا را بسازد.
- ضریب تعیین پایینِ برازش همتا نشان‌دهندهٔ ریسک آربیتراژ آماریِ ویژهٔ سهم بیشتر است.
- پژوهش برای سهام پرریسک‌تر، صرف‌های باقیمانده و بازده‌های مازاد بیشتری گزارش می‌کند.
- ارتباط‌های گزارش‌شده در برابر متغیرهای کنترلی مقاوم‌اند، اما هزینه‌های معاملات و نتایج خارج از نمونه شرح داده نشده‌اند.
برچسب‌ها
متن کامل
# Statistical Arbitrage Risk Premium by Machine Learning # Statistical Arbitrage Risk Premium by Machine Learning How to hedge factor risks without knowing the identities of the factors? We first prove a general theoretical result: even if the exact set of factors cannot be identified, any risky asset can use some portfolio of similar peer assets to hedge against its own factor exposures. A long position of a risky asset and a short position of a "replicate portfolio" of its peers represent that asset's factor residual risk. We coin the expected return of an asset's factor residual risk as its Statistical Arbitrage Risk Premium (SARP). The challenge in empirically estimating SARP is finding the peers for each asset and constructing the replicate portfolios. We use the elastic-net, a machine learning method, to project each stock's past returns onto that of every other stock. The resulting high-dimensional but sparse projection vector serves as investment weights in constructing the stocks' replicate portfolios. We say a stock has high (low) Statistical Arbitrage Risk (SAR) if it has low (high) R-squared with its peers. The key finding is that "unique" stocks have both a higher SARP and higher excess returns than "ubiquitous" stocks: in the cross-section, high SAR stocks have a monthly SARP (monthly excess returns) that is 1.101% (0.710%) greater than low SAR stocks. The average SAR across all stocks is countercyclical. Our results are robust to controlling for various known priced factors and characteristics.
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.