Estimativa de prêmios de risco de arbitragem estatística com carteiras de pares e Elastic Net

Resumo

Este estudo propõe uma forma de estimar o retorno associado ao risco de uma ação que não é compartilhado com ações semelhantes, mesmo quando os fatores de risco subjacentes são desconhecidos. Ele constrói uma carteira replicadora de pares projetando os retornos históricos de cada ação sobre os retornos de outras ações. O Elastic Net produz pesos esparsos para a carteira, e a diferença entre uma ação e sua carteira de pares representa seu risco residual em relação aos fatores. O retorno esperado desse resíduo é chamado de prêmio de risco de arbitragem estatística.

Ações com R-quadrado de ajuste aos pares menor são classificadas como tendo maior risco de arbitragem estatística. Nos resultados transversais relatados, ações de alto risco têm prêmios residuais mensais e retornos excedentes maiores do que ações de baixo risco; o risco médio entre as ações é anticíclico. Os autores afirmam que os resultados persistem após o controle por fatores conhecidos e características das empresas. O trecho não descreve custos de implementação, giro da carteira nem desempenho fora da amostra, portanto não mostra se o prêmio medido pode ser capturado diretamente após os custos de negociação.

Ideias principais

• Carteiras de pares podem ajudar a proteger a exposição de uma ação a fatores quando os próprios fatores são desconhecidos.
• O Elastic Net projeta os retornos passados de cada ação sobre outras ações para criar pesos esparsos em carteiras de pares.
• Um R-quadrado de ajuste aos pares baixo indica maior risco de arbitragem estatística específico da ação.
• O estudo relata prêmios residuais e retornos excedentes maiores para ações de alto risco.
• As relações relatadas são robustas a controles, mas custos de negociação e resultados fora da amostra não são descritos.

Tags

# 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.

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.