آربیتراژ آماری بهینه‌شده با HJB برای سهام هم‌انباشت
خلاصه
این مقاله سبدهای آربیتراژ آماری برای چندین سهم هم‌انباشت را با استفاده از سبدهای ویژه به‌عنوان عوامل توسعه می‌دهد. انتخاب سبد را به‌صورت مسئله‌ای از کنترل تصادفی صورت‌بندی می‌کند و وزن‌های بهینه را با حل معادله همیلتون–ژاکوبی–بلمن تعیین می‌کند. تحلیل هم سبدهای بدون محدودیت و هم سبدهایی را دربرمی‌گیرد که باید خنثی نسبت به بازار بمانند؛ همچنین شرایطی برای پارامترها ارائه می‌دهد که هدفشان تضمین پایداری بلندمدت جواب‌ها و نرخ رشد سبد است.
بک‌تست‌های تاریخی روی اجزای S&P 500 از 2000 تا 2021 نشان می‌دهند که مدل می‌تواند سهام هم‌انباشت بسیاری را در افق‌های بلند شناسایی کند. استراتژی‌های گزارش‌شده در دوره‌های نوسان کلی بیشتر بازار عملکرد بهتری داشتند، اما نتایج آن‌ها به برآورد پارامترها حساس بود. این یافته‌ها نشان می‌دهند کیفیت برآورد و رژیم بازار ممکن است در پیاده‌سازی اهمیت زیادی داشته باشند. مقاله هزینه‌های معامله، مقایسه با معیارها یا سازوکارهای محافظت در برابر بیش‌برازش خارج از نمونه را مشخص نمی‌کند؛ بنابراین بک‌تست‌ها به‌تنهایی ثابت نمی‌کنند که استراتژی‌ها در معامله زنده نیز سودآور می‌مانند.
ایده‌های کلیدی
- چارچوب، چندین سهم هم‌انباشت را با سبدهای ویژه به‌عنوان عوامل مدل‌سازی می‌کند.
- وزن‌های سبد با حل معادله همیلتون–ژاکوبی–بلمن به‌دست می‌آیند.
- پژوهش انتخاب سبدهای بدون محدودیت و خنثی نسبت به بازار را تحلیل می‌کند.
- بک‌تست اجزای S&P 500 دوره 2000 تا 2021 را پوشش می‌دهد.
- سودآوری گزارش‌شده در دوره‌های پرنوسان بیشتر است، اما نتایج به برآورد پارامترها حساس‌اند.
برچسب‌ها
متن کامل
# Statistical Arbitrage for Multiple Co-Integrated Stocks # Statistical Arbitrage for Multiple Co-Integrated Stocks In this article, we analyse optimal statistical arbitrage strategies from stochastic control and optimisation problems for multiple co-integrated stocks with eigenportfolios being factors. Optimal portfolio weights are found by solving a Hamilton-Jacobi-Bellman (HJB) partial differential equation, which we solve for both an unconstrained portfolio and a portfolio constrained to be market neutral. Our analyses demonstrate sufficient conditions on the model parameters to ensure long-term stability of the HJB solutions and stable growth rates for the optimal portfolios. To gauge how these optimal portfolios behave in practice, we perform backtests on historical stock prices of the S&P 500 constituents from year 2000 through year 2021. These backtests suggest three key conclusions: that the proposed co-integrated model with eigenportfolios being factors can generate a large number of co-integrated stocks over a long time horizon, that the optimal portfolios are sensitive to parameter estimation, and that the statistical arbitrage strategies are more profitable in periods when overall market volatilities are high.
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.