انتخاب پرتفوی چندعاملی برای آربیتراژ آماری
خلاصه
این مقاله آربیتراژ آماری مبتنی بر هم‌انباشتگی را بررسی می‌کند و روش‌هایی را برای یافتن پرتفوی‌های سهامی نامزد با استفاده از چند عامل مقایسه می‌کند. خوشه‌بندی K-means، لاسو گرافیکی در کل مجموعه سهام و رویکرد ترکیبی این دو را ارزیابی می‌کند. نتایج گزارش‌شده خوشه‌بندی را به لاسو گرافیکیِ تنها ترجیح می‌دهند و رویکرد ترکیبی عملکرد بهتری نیز دارد.
نویسندگان همچنین می‌آزمایند که آیا به‌روزرسانی نامزدهای پرتفوی یک‌بار در طول دوره معامله نتایج را بهبود می‌دهد یا نه. در این مطالعه، تطبیق مجدد از استراتژی بدون یادگیری مجدد بهتر عمل نمی‌کند. یافته‌ها آزمون آربیتراژ آماری را در سطحی از نظر آماری معنادار پشت سر می‌گذارند و با استفاده از مجموعه‌داده‌ای جداگانه برای دوره‌های تشکیل و معامله اعتبارسنجی می‌شوند. خلاصه، عوامل، جزئیات ساخت پرتفوی، هزینه‌های تراکنش یا معیارهای عملکرد را مشخص نمی‌کند؛ بنابراین نشان نمی‌دهد این رویکردها در بازارهای دیگر یا با فرض‌های اجرایی متفاوت چگونه با هم مقایسه می‌شوند.
ایده‌های کلیدی
- این مطالعه از چند عامل برای شناسایی پرتفوی‌های نامزد آربیتراژ آماری مبتنی بر هم‌انباشتگی استفاده می‌کند.
- خوشه‌بندی K-means، لاسو گرافیکی و رویکرد انتخاب ترکیبی را مقایسه می‌کند.
- میانگین عملکرد خوشه‌بندی از اجرای لاسو گرافیکی روی کل مجموعه سهام بهتر است.
- ترکیب خوشه‌بندی با لاسو گرافیکی نتایج گزارش‌شده قوی‌تری از هر یک به‌تنهایی دارد.
- محاسبه دوباره پرتفوی‌های نامزد یک‌بار در طول معامله، در این مطالعه نتایج را بهبود نمی‌دهد.
- نتایج گزارش‌شده آزمون آربیتراژ آماری را پشت سر می‌گذارند و روی مجموعه‌داده‌ای جداگانه بررسی می‌شوند.
برچسب‌ها
متن کامل
# 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.
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.