Carteiras esparsas de reversão à média com verossimilhança penalizada OU

Resumo

Este artigo apresenta um método de otimização para construir uma carteira de reversão à média a partir de um conjunto maior de ativos. Busca carteiras cujo spread seja bem descrito por um processo de Ornstein–Uhlenbeck, com parâmetros do processo estimados por máxima verossimilhança. Os objetivos de seleção declarados combinam reversão à média mais forte e variância menor com parcimônia, de modo que a carteira resultante use um subconjunto menor de ativos em posições compradas e vendidas.

Os autores formulam o problema de otimização e descrevem um algoritmo especializado que usa minimização parcial. Eles ilustram o método com exemplos numéricos baseados em dados de preços simulados e empíricos. O resumo não especifica a forma da penalização, o universo de ativos, as regras de negociação, os custos de transação ou o desempenho fora da amostra. Portanto, os exemplos mostram como a abordagem de estimação e seleção é demonstrada, mas a descrição disponível não basta para avaliar sua estabilidade ou rentabilidade em condições reais de negociação.

Ideias principais

• O método seleciona carteiras destinadas a seguir um processo de Ornstein–Uhlenbeck.
• Os parâmetros OU são estimados por máxima verossimilhança.
• A seleção da carteira busca reversão à média elevada e baixa variância.
• Um objetivo de parcimônia incentiva o uso de menos ativos em posições compradas e vendidas.
• Um algoritmo especializado usa minimização parcial, com exemplos baseados em preços simulados e empíricos.

Tags

# Mean Reverting Portfolios via Penalized OU-Likelihood Estimation


# Mean Reverting Portfolios via Penalized OU-Likelihood Estimation









We study an optimization-based approach to con- struct a mean-reverting portfolio of assets. Our objectives are threefold: (1) design a portfolio that is well-represented by an Ornstein-Uhlenbeck process with parameters estimated by maximum likelihood, (2) select portfolios with desirable characteristics of high mean reversion and low variance, and (3) select a parsimonious portfolio, i.e. find a small subset of a larger universe of assets that can be used for long and short positions. We present the full problem formulation, a specialized algorithm that exploits partial minimization, and numerical examples using both simulated and empirical price data.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.