Estimer les primes de risque d’arbitrage statistique avec des portefeuilles pairs Elastic Net

Résumé

Cette étude propose une méthode pour estimer le rendement associé au risque propre à une action, qui n’est pas partagé avec des actions similaires, même lorsque les facteurs de risque sous-jacents sont inconnus. Elle construit un portefeuille de réplication par pairs en projetant les rendements historiques de chaque action sur ceux des autres actions. Elastic net produit des pondérations de portefeuille parcimonieuses, et l’écart entre une action et son portefeuille pair représente son risque résiduel factoriel. Le rendement attendu de ce résidu est appelé la prime de risque d’arbitrage statistique.

Les actions ayant un R-carré d’ajustement aux pairs plus faible sont classées comme présentant un risque d’arbitrage statistique plus élevé. Dans les résultats transversaux rapportés, les actions à risque élevé ont des primes résiduelles mensuelles et des rendements excédentaires supérieurs à ceux des actions à faible risque ; le risque moyen des actions est contracyclique. Les auteurs indiquent que les résultats persistent après contrôle des facteurs connus et des caractéristiques des entreprises. L’extrait ne décrit ni les coûts de mise en œuvre, ni la rotation du portefeuille, ni les performances hors échantillon ; il ne montre donc pas si la prime mesurée peut être directement captée après les frictions de trading.

Idées clés

• Les portefeuilles pairs peuvent aider à couvrir l’exposition factorielle d’une action lorsque les facteurs eux-mêmes sont inconnus.
• Elastic net projette les rendements passés de chaque action sur ceux d’autres actions pour créer des pondérations parcimonieuses de portefeuille pair.
• Un R-carré d’ajustement aux pairs faible indique un risque d’arbitrage statistique propre à l’action plus élevé.
• L’étude rapporte des primes résiduelles et des rendements excédentaires plus élevés pour les actions à risque élevé.
• Les relations rapportées résistent aux variables de contrôle, mais les coûts de trading et les résultats hors échantillon ne sont pas décrits.

Étiquettes

# 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.

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.