Оценка премии за риск статистического арбитража с помощью портфелей аналогов

Сводка

В исследовании предлагается способ оценить доходность, связанную с риском отдельной акции, который не разделяется с похожими акциями, даже если лежащие в основе факторы риска неизвестны. Для этого строится портфель репликации аналогов: исторические доходности каждой акции проецируются на доходности других акций. Эластичная сеть формирует разреженные веса портфеля, а разница между акцией и её портфелем аналогов представляет остаточный факторный риск. Ожидаемая доходность этого остатка называется премией за риск статистического арбитража.

Акции с более низким R-квадратом подгонки портфеля аналогов классифицируются как имеющие более высокий риск статистического арбитража. В заявленных результатах для поперечного сечения акций у бумаг с высоким риском выше ежемесячные остаточные премии и избыточная доходность, чем у бумаг с низким риском; средний риск акций носит контрциклический характер. Авторы утверждают, что результаты сохраняются после контроля известных факторов и характеристик компаний. В отрывке не описаны издержки реализации, оборот портфеля или результаты вне выборки, поэтому он не показывает, можно ли напрямую получить измеренную премию с учётом торговых трений.

Ключевые идеи

• Портфели аналогов могут помочь хеджировать факторную экспозицию акции, даже если сами факторы неизвестны.
• Эластичная сеть проецирует прошлые доходности акции на доходности других акций, формируя разреженные веса портфеля аналогов.
• Низкий R-квадрат подгонки портфеля аналогов указывает на более высокий специфичный для акции риск статистического арбитража.
• В исследовании сообщается о более высоких остаточных премиях и избыточной доходности акций с высоким риском.
• Заявленные взаимосвязи устойчивы к учёту контрольных факторов, но торговые издержки и результаты вне выборки не описаны.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.