شماریاتی آربیٹریج کے لیے کثیر عامل پورٹ فولیو انتخاب

خلاصہ

مقالہ کوائنٹیگریشن پر مبنی شماریاتی آربیٹریج کا مطالعہ کرتا ہے اور متعدد عوامل سے ممکنہ ایکویٹی پورٹ فولیوز ڈھونڈنے کے طریقوں کا موازنہ کرتا ہے۔ یہ کے-مینز کلسٹرنگ، ایکویٹی مجموعے پر گرافیکل لاسو، اور دونوں کو ملانے والے ہائبرڈ طریقے کا جائزہ لیتا ہے۔ رپورٹ کردہ نتائج صرف گرافیکل لاسو کے مقابلے میں کلسٹرنگ کو ترجیح دیتے ہیں، جبکہ ہائبرڈ طریقہ اس سے بھی بہتر کارکردگی دکھاتا ہے۔

مصنفین یہ بھی جانچتے ہیں کہ آیا ٹریڈنگ کے دوران ایک بار پورٹ فولیو امیدواروں کو اپ ڈیٹ کرنے سے نتائج بہتر ہوتے ہیں۔ اس مطالعے میں ڈھلاؤ، دوبارہ سیکھے بغیر اسٹریٹیجی سے بہتر کارکردگی نہیں دکھاتا۔ نتائج شماریاتی اہمیت کی سطح پر شماریاتی آربیٹریج کی جانچ میں کامیاب ہوتے ہیں اور تشکیل و ٹریڈنگ کے ادوار کے لیے الگ ڈیٹا سیٹ سے توثیق کیے جاتے ہیں۔ خلاصے میں عوامل، پورٹ فولیو بنانے کی تفصیلات، ٹرانزیکشن لاگت یا کارکردگی کے پیمانے نہیں دیے گئے، اس لیے یہ ثابت نہیں ہوتا کہ دوسرے بازاروں یا مختلف نفاذی مفروضوں کے تحت طریقوں کا موازنہ کیسا ہوگا۔

اہم خیالات

• مطالعہ کوائنٹیگریشن پر مبنی شماریاتی آربیٹریج کے ممکنہ پورٹ فولیوز شناخت کرنے کے لیے متعدد عوامل استعمال کرتا ہے۔
• یہ کے-مینز کلسٹرنگ، گرافیکل لاسو اور ہائبرڈ انتخابی طریقے کا موازنہ کرتا ہے۔
• پورے ایکویٹی مجموعے پر گرافیکل لاسو لگانے کے مقابلے میں کلسٹرنگ کی اوسط کارکردگی بہتر ہے۔
• کلسٹرنگ کو گرافیکل لاسو سے ملانے پر دونوں طریقوں سے بہتر رپورٹ شدہ نتائج ملتے ہیں۔
• اس مطالعے میں ٹریڈنگ کے دوران ممکنہ پورٹ فولیوز دوبارہ شمار کرنے سے نتائج بہتر نہیں ہوتے۔
• رپورٹ کردہ نتائج شماریاتی آربیٹریج کی جانچ میں کامیاب ہوتے ہیں اور الگ ڈیٹا سیٹ پر بھی پرکھے جاتے ہیں۔

ٹیگز

# 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.

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۔