پیش‌بینی افت عملکرد خارج از نمونه در ناهنجاری‌های سهام
خلاصه
این مقاله بررسی می‌کند کدام ویژگی‌های ناهنجاری‌های منتشرشده سهام، افت عملکرد تعدیل‌شده بر اساس ریسک را خارج از نمونه اولیه پیش‌بینی می‌کنند. توضیح‌های مرتبط با ورود سرمایه آربیتراژ به یک استراتژی پس از انتشار و بیش‌برازش درون‌نمونه‌ای ناشی از آزمون فرضیه‌های متعدد را می‌آزماید. سال انتشار به‌تنهایی بخش قابل‌توجهی از تغییرات افت شارپ را توضیح می‌دهد: مقاله گزارش می‌کند که افت عوامل تازه‌منتشرشده هر سال پنج واحد درصد افزایش می‌یابد.
معیارهای مرتبط با بیش‌برازش، از جمله تعداد عملیات لازم برای محاسبه یک سیگنال و حساسیت نسبت شارپ درون‌نمونه‌ای آن به داده‌های پرت، قدرت توضیحی را افزایش می‌دهند. برخی متغیرهای مرتبط با آربیتراژ از نظر آماری معنادارند، اما قدرت پیش‌بینی چندانی اضافه نمی‌کنند. یافته‌ها برای ارزیابی ادعاهای پژوهشی نشانه‌های هشداردهنده‌ای ارائه می‌دهند، نه روشی قابل‌اعتماد برای پیش‌بینی عملکرد آینده هر استراتژی. تحلیل بر مجموعه بزرگی از ناهنجاری‌های سهامِ دانشگاهی متمرکز است؛ بنابراین ممکن است نتایج آن مستقیماً به بازارها یا انواع استراتژی‌های دیگر تعمیم‌پذیر نباشد.
ایده‌های کلیدی
- سال انتشار بخش معناداری از تغییرات مشاهده‌شده در افت شارپ عوامل سهام را پیش‌بینی می‌کند.
- پیچیدگی سیگنال و حساسیت نسبت‌های شارپ درون‌نمونه‌ای به داده‌های پرت با ریسک بیش‌برازش ارتباط دارند.
- این پژوهش هم توضیح آربیتراژ پس از انتشار و هم توضیح آزمون‌های متعدد را برای ضعف عملکرد خارج از نمونه بررسی می‌کند.
- برخی معیارهای مرتبط با آربیتراژ از نظر آماری معنادارند، اما قدرت پیش‌بینی اندکی اضافه می‌کنند.
برچسب‌ها
متن کامل
# Why and how systematic strategies decay # Why and how systematic strategies decay In this paper, we propose ex-ante characteristics that predict the drop in risk-adjusted performance out-of-sample for a large set of stock anomalies published in finance and accounting academic journals. Our set of predictors is generated by hypotheses of OOS decay put forward by McLean and Pontiff (2016): arbitrage capital flowing into newly published strategies and in-sample overfitting linked to multiple hypothesis testing. The year of publication alone - compatible with both hypotheses - explains 30% of the variance of Sharpe decay across factors: Every year, the Sharpe decay of newly-published factors increases by 5ppt. The other important variables are directly related to overfitting: the number of operations required to calculate the signal and two measures of sensitivity of in-sample Sharpe to outliers together add another 15% of explanatory power. Some arbitrage-related variables are statistically significant, but their predictive power is marginal.
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.