Chọn danh mục đa yếu tố cho chênh lệch giá thống kê

Tóm tắt

Bài báo nghiên cứu chênh lệch giá thống kê dựa trên đồng liên kết và so sánh các cách tìm danh mục cổ phiếu tiềm năng bằng nhiều yếu tố. Nghiên cứu đánh giá phân cụm K-means, graphical lasso trên toàn bộ nhóm cổ phiếu và phương pháp kết hợp cả hai. Kết quả được báo cáo nghiêng về phân cụm hơn graphical lasso đơn thuần, còn phương pháp kết hợp cho kết quả tốt hơn nữa.

Các tác giả cũng kiểm tra liệu việc cập nhật danh sách danh mục tiềm năng một lần trong giai đoạn giao dịch có cải thiện kết quả hay không. Trong nghiên cứu này, việc điều chỉnh không vượt trội hơn chiến lược không học lại. Các phát hiện vượt qua kiểm định chênh lệch giá thống kê ở mức có ý nghĩa thống kê và được xác thực bằng một bộ dữ liệu riêng cho giai đoạn hình thành và giao dịch. Phần tóm tắt không nêu rõ các yếu tố, chi tiết xây dựng danh mục, chi phí giao dịch hay thước đo hiệu suất, nên không xác lập được các phương pháp sẽ so sánh ra sao ở thị trường khác hoặc với giả định triển khai khác.

Ý chính

• Nghiên cứu dùng nhiều yếu tố để xác định danh mục tiềm năng cho chênh lệch giá thống kê dựa trên đồng liên kết.
• Nghiên cứu so sánh phân cụm K-means, graphical lasso và phương pháp chọn kết hợp.
• Trung bình, phân cụm cho kết quả tốt hơn việc áp dụng graphical lasso lên toàn bộ nhóm cổ phiếu.
• Kết hợp phân cụm với graphical lasso cho kết quả được báo cáo tốt hơn từng phương pháp riêng lẻ.
• Tính toán lại danh mục tiềm năng một lần trong quá trình giao dịch không cải thiện kết quả trong nghiên cứu này.
• Kết quả được báo cáo vượt qua kiểm định chênh lệch giá thống kê và được kiểm tra trên một bộ dữ liệu riêng.

Thẻ

# 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.

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.