Modèles factoriels conditionnels pour l’arbitrage statistique sur actions

Résumé

Cette étude construit une méthode d’arbitrage statistique à partir d’un modèle factoriel conditionnel appliqué à un portefeuille de US actions. Un modèle espace-état traite les rendements comme des combinaisons bruitées de valeurs factorielles et de primes de risque factorielles latentes, variables dans le temps. Un filtrage et une prévision en ligne estiment ces primes et produisent des rendements attendus à comparer aux rendements observés ; les écarts importants sont considérés comme des occasions potentielles de retour à la moyenne.

Les auteurs évaluent une stratégie de trading qui tient compte des coûts de transaction, avec des versions linéaire et non linéaire du modèle espace-état. Ils présentent des résultats sur une période de 29 ans et comparent les performances à des références simples et à d’autres méthodes publiées ; ils jugent la méthode compétitive. Ils indiquent aussi que les performances se sont affaiblies au fil du temps, surtout ces dernières années, tout en restant économiquement intéressantes selon leur analyse. Le document ne précise ni la sélection des actifs, ni les seuils de trading, les hypothèses de coûts ou les contrôles du risque ; ces seuls résultats ne permettent donc pas de juger si la stratégie serait transposable à un autre marché ou à une autre période.

Idées clés

• Un modèle factoriel espace-état peut représenter les rendements des actions comme des expositions bruitées à des primes de risque factorielles latentes.
• Les estimations en ligne des primes variables dans le temps adaptent le modèle à l’évolution des rendements.
• Les grands écarts entre rendements observés et filtrés sont traités comme des occasions potentielles de retour à la moyenne.
• La stratégie évaluée inclut les coûts de transaction et utilise des variantes linéaires et non linéaires du modèle.
• Les performances rapportées sont compétitives sur un long échantillon, mais reculent ces dernières années.

Étiquettes

# On statistical arbitrage under a conditional factor model of equity returns


# On statistical arbitrage under a conditional factor model of equity returns









We consider a conditional factor model for a multivariate portfolio of United States equities in the context of analysing a statistical arbitrage trading strategy. A state space framework underlies the factor model whereby asset returns are assumed to be a noisy observation of a linear combination of factor values and latent factor risk premia. Filter and state prediction estimates for the risk premia are retrieved in an online way. Such estimates induce filtered asset returns that can be compared to measurement observations, with large deviations representing candidate mean reversion trades. Further, in that the risk premia are modelled as time-varying quantities, non-stationarity in returns is de facto captured. We study an empirical trading strategy respectful of transaction costs, and demonstrate performance over a long history of 29 years, for both a linear and a non-linear state space model. Our results show that the model is competitive relative to the results of other methods, including simple benchmarks and other cutting-edge approaches as published in the literature. Also of note, while strategy performance degradation is noticed through time -- especially for the most recent years -- the strategy continues to offer compelling economics, and has scope for further advancement.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.