Seleção de carteiras multifatoriais para arbitragem estatística

Resumo

O artigo estuda arbitragem estatística baseada em cointegração e compara formas de encontrar carteiras de ações candidatas usando vários fatores. Avalia agrupamento K-means, graphical lasso aplicado ao conjunto de ações e uma abordagem híbrida que combina os dois. Os resultados relatados favorecem o agrupamento em relação ao graphical lasso isolado, e a abordagem híbrida apresenta desempenho ainda melhor.

Os autores também testam se atualizar uma vez, durante o período de trading, as carteiras candidatas melhora os resultados. Neste estudo, a adaptação não supera a estratégia sem reaprendizado. Os resultados passam em um teste de arbitragem estatística com significância estatística e são validados usando um conjunto de dados separado para os períodos de formação e trading. O resumo não especifica os fatores, os detalhes da construção das carteiras, os custos de transação ou as medidas de desempenho; portanto, não estabelece como as abordagens se comparariam em outros mercados ou sob diferentes premissas de implementação.

Ideias principais

• O estudo usa vários fatores para identificar carteiras candidatas à arbitragem estatística baseada em cointegração.
• Compara agrupamento K-means, graphical lasso e uma abordagem híbrida de seleção.
• Em média, o agrupamento tem desempenho melhor que aplicar graphical lasso a todo o conjunto de ações.
• Combinar agrupamento com graphical lasso gera resultados relatados mais fortes que os de cada método isolado.
• Recalcular uma vez as carteiras candidatas durante o trading não melhora os resultados neste estudo.
• Os resultados relatados passam em um teste de arbitragem estatística e são verificados em um conjunto de dados separado.

Tags

# 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.

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.