ایلاسٹک نیٹ پیر پورٹ فولیوز سے شماریاتی آربیٹریج رسک پریمیم کا تخمینہ
خلاصہ
یہ مطالعہ ایسے طریقے کی تجویز دیتا ہے جس سے کسی انفرادی اسٹاک کے اس خطرے سے وابستہ منافع کا تخمینہ لگایا جا سکے جو ملتے جلتے اسٹاکس میں مشترک نہیں ہوتا، حتیٰ کہ جب بنیادی خطرے کے عوامل نامعلوم ہوں۔ یہ ہر اسٹاک کے تاریخی منافع کو دوسرے اسٹاکس کے منافع پر پروجیکٹ کرکے ہم مرتبہ نقل پورٹ فولیو بناتا ہے۔ ایلاسٹک نیٹ سے ایسے پورٹ فولیو وزن حاصل ہوتے ہیں جن میں زیادہ تر وزن صفر اور چند وزن غیر صفر ہوتے ہیں، اور اسٹاک اور اس کے ہم مرتبہ پورٹ فولیو کے درمیان فرق اس کے فیکٹر کے باقی ماندہ خطرے کی نمائندگی کرتا ہے۔ اس باقی ماندہ خطرے پر متوقع منافع کو شماریاتی آربیٹریج رسک پریمیم کہا جاتا ہے۔
جن اسٹاکس کا ہم مرتبہ مطابقت آر-اسکوائر کم ہے، انہیں شماریاتی آربیٹریج کے زیادہ خطرے والا قرار دیا گیا ہے۔ رپورٹ کردہ کراس سیکشنل نتائج میں زیادہ خطرے والے اسٹاکس کے ماہانہ باقی ماندہ پریمیم اور زائد ریٹرنز، کم خطرے والے اسٹاکس سے زیادہ ہیں؛ اسٹاکس میں اوسط خطرہ مخالفِ دورانیہ ہے۔ مصنفین کے مطابق معلوم عوامل اور کمپنی کی خصوصیات کو مدنظر رکھنے کے بعد بھی نتائج برقرار رہتے ہیں۔ اقتباس میں نفاذ کے اخراجات، پورٹ فولیو کی خرید و فروخت کی شرح یا نمونے سے باہر کارکردگی بیان نہیں کی گئی، اس لیے یہ واضح نہیں کہ ٹریڈنگ کی رکاوٹوں کے بعد ناپا گیا پریمیم براہِ راست حاصل کیا جا سکتا ہے یا نہیں۔
اہم خیالات
- جب عوامل خود نامعلوم ہوں تو ہم مرتبہ پورٹ فولیوز اسٹاک کے فیکٹر ایکسپوژر کو ہیج کرنے میں مدد دے سکتے ہیں۔
- ایلاسٹک نیٹ ہر اسٹاک کے سابقہ منافع کو دوسرے اسٹاکس کے منافع پر پروجیکٹ کرکے ہم مرتبہ پورٹ فولیو کے محدود، زیادہ تر صفر وزن بناتا ہے۔
- کم ہم مرتبہ مطابقت آر-اسکوائر اسٹاک کے مخصوص شماریاتی آربیٹریج خطرے کی زیادہ سطح ظاہر کرتا ہے۔
- مطالعے میں زیادہ خطرے والے اسٹاکس کے لیے زیادہ باقی ماندہ پریمیم اور زائد ریٹرنز رپورٹ کیے گئے ہیں۔
- رپورٹ کردہ تعلقات کنٹرول عوامل کے لحاظ سے مضبوط ہیں، مگر ٹریڈنگ کے اخراجات اور نمونے سے باہر نتائج بیان نہیں ہوئے۔
ٹیگز
مکمل متن
# 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.
ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0
یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔