सांख्यिकीय आर्बिट्राज के लिए बहु-फ़ैक्टर पोर्टफोलियो चयन
सारांश
यह शोधपत्र कॉइंटीग्रेशन-आधारित सांख्यिकीय आर्बिट्राज का अध्ययन करता है और कई फ़ैक्टरों का उपयोग करके संभावित इक्विटी पोर्टफोलियो खोजने के तरीकों की तुलना करता है। यह K-means क्लस्टरिंग, पूरे इक्विटी समूह पर ग्राफ़िकल लासो और दोनों को जोड़ने वाले हाइब्रिड का मूल्यांकन करता है। रिपोर्ट किए गए नतीजों में अकेले ग्राफ़िकल लासो की तुलना में क्लस्टरिंग बेहतर है और हाइब्रिड का प्रदर्शन उससे भी बेहतर है।
लेखक यह भी जाँचते हैं कि ट्रेडिंग अवधि के दौरान पोर्टफोलियो उम्मीदवारों को एक बार अपडेट करने से नतीजे बेहतर होते हैं या नहीं। इस अध्ययन में अनुकूलन ने बिना पुनः-सीखने वाली रणनीति से बेहतर प्रदर्शन नहीं किया। निष्कर्ष सांख्यिकीय रूप से महत्वपूर्ण स्तर पर सांख्यिकीय आर्बिट्राज परीक्षण में सफल हुए और निर्माण तथा ट्रेडिंग अवधियों के लिए अलग डेटासेट से सत्यापित किए गए। सारांश में फ़ैक्टर, पोर्टफोलियो निर्माण के विवरण, लेनदेन लागत या प्रदर्शन माप निर्दिष्ट नहीं हैं; इसलिए यह स्थापित नहीं होता कि दूसरे बाज़ारों या अलग कार्यान्वयन मान्यताओं में इन तरीकों की तुलना कैसी होगी।
मुख्य विचार
- अध्ययन कॉइंटीग्रेशन-आधारित सांख्यिकीय आर्बिट्राज के संभावित पोर्टफोलियो पहचानने के लिए कई फ़ैक्टरों का उपयोग करता है।
- यह K-means क्लस्टरिंग, ग्राफ़िकल लासो और हाइब्रिड चयन तरीके की तुलना करता है।
- पूरे इक्विटी समूह पर ग्राफ़िकल लासो लगाने की तुलना में क्लस्टरिंग औसतन बेहतर प्रदर्शन करती है।
- क्लस्टरिंग और ग्राफ़िकल लासो को मिलाने से दोनों तरीकों से बेहतर रिपोर्ट किए गए नतीजे मिलते हैं।
- इस अध्ययन में ट्रेडिंग के दौरान संभावित पोर्टफोलियो की एक बार फिर गणना करने से नतीजे बेहतर नहीं होते।
- रिपोर्ट किए गए नतीजे सांख्यिकीय आर्बिट्राज परीक्षण में सफल हुए और अलग डेटासेट पर जाँचे गए।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।