Sélection multi-facteurs de portefeuilles pour l’arbitrage statistique

Résumé

L’article étudie l’arbitrage statistique fondé sur la cointégration et compare plusieurs méthodes de sélection de portefeuilles d’actions candidats à partir de facteurs multiples. Il évalue le regroupement par K-means, le graphical lasso sur l’ensemble des actions et une méthode hybride combinant les deux. Les résultats rapportés favorisent le regroupement par rapport au graphical lasso seul, tandis que la méthode hybride obtient de meilleurs résultats encore.

Les auteurs testent également si la mise à jour des portefeuilles candidats une fois pendant la période de trading améliore les résultats. Dans cette étude, l’adaptation ne surpasse pas la stratégie sans nouvel apprentissage. Les résultats indiquent un arbitrage statistique significatif selon le test d’arbitrage statistique utilisé et sont validés sur un jeu de données distinct pour les périodes de formation et de trading. Le résumé ne précise ni les facteurs, ni la construction des portefeuilles, ni les coûts de transaction, ni les mesures de performance ; il ne permet donc pas d’établir comment les approches se compareraient sur d’autres marchés ou avec d’autres hypothèses de mise en œuvre.

Idées clés

• L’étude utilise plusieurs facteurs pour repérer des portefeuilles candidats à l’arbitrage statistique fondé sur la cointégration.
• Elle compare le regroupement par K-means, le graphical lasso et une approche de sélection hybride.
• En moyenne, le regroupement donne de meilleurs résultats que l’application du graphical lasso à l’ensemble des actions.
• La combinaison du regroupement et du graphical lasso produit de meilleurs résultats rapportés que chacune des méthodes seule.
• Recalculer les portefeuilles candidats une fois pendant le trading n’améliore pas les résultats de cette étude.
• Les résultats rapportés passent un test d’arbitrage statistique et sont vérifiés sur un jeu de données distinct.

Étiquettes

# 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.

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.