Ước lượng phần bù rủi ro chênh lệch giá thống kê bằng danh mục đối chiếu Elastic Net

Tóm tắt

Nghiên cứu đề xuất cách ước lượng lợi suất gắn với phần rủi ro riêng của một cổ phiếu không được chia sẻ với các cổ phiếu tương tự, ngay cả khi không biết các yếu tố rủi ro cơ sở. Nghiên cứu xây dựng danh mục đối chiếu bằng cách chiếu lợi suất lịch sử của từng cổ phiếu lên lợi suất của các cổ phiếu khác. Elastic net tạo ra trọng số danh mục thưa, còn chênh lệch giữa cổ phiếu và danh mục đối chiếu đại diện cho rủi ro phần dư nhân tố của cổ phiếu. Lợi suất kỳ vọng trên phần dư đó được gọi là Phần bù rủi ro chênh lệch giá thống kê.

Cổ phiếu có R bình phương khớp với nhóm đối chiếu thấp hơn được xếp vào nhóm có rủi ro chênh lệch giá thống kê cao hơn. Trong kết quả theo lát cắt chéo được báo cáo, cổ phiếu rủi ro cao có phần bù phần dư và lợi suất vượt trội hằng tháng cao hơn cổ phiếu rủi ro thấp; rủi ro trung bình giữa các cổ phiếu có tính phản chu kỳ. Các tác giả cho biết kết quả vẫn duy trì sau khi kiểm soát các nhân tố đã biết và đặc điểm doanh nghiệp. Phần trích dẫn không mô tả chi phí triển khai, vòng quay danh mục hay hiệu suất ngoài mẫu, nên không cho thấy liệu có thể trực tiếp thu được phần bù đo lường được sau các ma sát giao dịch hay không.

Ý chính

• Danh mục đối chiếu có thể giúp phòng hộ mức độ nhạy cảm của cổ phiếu với các nhân tố khi bản thân các nhân tố không được biết.
• Elastic net chiếu lợi suất quá khứ của từng cổ phiếu lên các cổ phiếu khác để tạo trọng số danh mục đối chiếu thưa.
• R bình phương khớp với nhóm đối chiếu thấp cho thấy rủi ro chênh lệch giá thống kê riêng của cổ phiếu cao hơn.
• Nghiên cứu báo cáo phần bù phần dư và lợi suất vượt trội cao hơn ở các cổ phiếu rủi ro cao.
• Các mối liên hệ được báo cáo vẫn vững sau khi kiểm soát các yếu tố, nhưng không có mô tả về chi phí giao dịch hay kết quả ngoài mẫu.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.