Отбор портфеля по нескольким факторам для статистического арбитража

Сводка

В статье изучается статистический арбитраж на основе коинтеграции и сравниваются способы поиска потенциальных портфелей акций по нескольким факторам. Оцениваются кластеризация методом K-средних, графический лассо для всего набора акций и гибридный метод, сочетающий оба подхода. Представленные результаты отдают предпочтение кластеризации перед одним лишь графическим лассо, а гибридный метод показывает ещё более высокие результаты.

Авторы также проверяют, улучшит ли результаты однократное обновление кандидатов в портфель в течение торгового периода. В этом исследовании адаптация не превосходит стратегию без повторного обучения. Результаты проходят тест на статистический арбитраж со статистически значимым результатом и проверяются на отдельном наборе данных для периодов формирования и торговли. В кратком описании не указаны факторы, подробности формирования портфеля, транзакционные издержки или метрики доходности, поэтому нельзя установить, как эти подходы сравнивались бы на других рынках или при иных предположениях о реализации.

Ключевые идеи

• В исследовании несколько факторов используются для поиска потенциальных портфелей для статистического арбитража на основе коинтеграции.
• Сравниваются кластеризация методом K-средних, графический лассо и гибридный подход к отбору.
• В среднем кластеризация показывает лучшие результаты, чем применение графического лассо ко всему набору акций.
• Согласно приведённым результатам, сочетание кластеризации с графическим лассо превосходит каждый метод по отдельности.
• В этом исследовании однократный пересчёт потенциальных портфелей во время торговли не улучшает результаты.
• Представленные результаты проходят тест на статистический арбитраж и проверяются на отдельном наборе данных.

Теги

# 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.

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.