Chọn các cặp đồng liên kết bằng ghép cặp trọng số tối đa

Bài viết arXiv papers · Tác giả: Khizar Qureshi et al.

Tóm tắt

Tài liệu trình bày phương pháp xây dựng danh mục cho giao dịch cặp nhằm hạn chế sự chồng lấn giữa các cặp được chọn. Phương pháp biểu diễn tài sản dưới dạng các nút đồ thị và các cặp ứng viên đồng liên kết dưới dạng cạnh có trọng số, với trọng số thể hiện mức độ đồng liên kết. Danh mục được chọn bằng phép ghép cặp trọng số tối đa, giúp chọn các cặp mạnh đồng thời bảo đảm mỗi tài sản chỉ xuất hiện trong một cặp. Cách này khắc phục hạn chế của việc chỉ chọn cặp theo đồng liên kết, khi nhiều cặp có thể dùng lại cùng tài sản và tập trung rủi ro.

Các tác giả báo cáo phân tích lý thuyết và nghiên cứu thực nghiệm sử dụng dữ liệu S&P 500 từ 2017 đến 2023. Danh mục ghép cặp có phương sai thấp hơn phương án cơ sở chỉ dùng đồng liên kết và tỷ lệ Sharpe gộp 1.23, so với 0.48 của phương án cơ sở và 0.59 của thị trường. Theo tài liệu, danh mục cũng có chi phí giao dịch liên quan đến vòng quay thấp hơn và rủi ro tập trung vào một tài sản thấp hơn. Phần tóm tắt không cung cấp hiệu suất ròng, giả định về chi phí giao dịch hay chi tiết cần thiết để đánh giá độ nhạy với mẫu và cách chọn cặp.

Ý chính

Phương pháp biểu diễn tài sản dưới dạng nút đồ thị và các cặp đồng liên kết dưới dạng cạnh có trọng số.
Ghép cặp trọng số tối đa chọn các cặp mạnh, đồng thời ngăn một tài sản xuất hiện trong nhiều cặp.
Các tác giả báo cáo phương sai danh mục thấp hơn phương án cơ sở chỉ chọn cặp theo đồng liên kết.
Trong nghiên cứu S&P 500 được nêu, chiến lược ghép cặp có tỷ lệ Sharpe gộp 1.23 và chi phí liên quan đến vòng quay thấp hơn.

Thẻ

Giao dịch cặp Xây dựng danh mục Hồi quy về trung bình Thống kê Thị trường Mỹ

Toàn văn

# Pairs Trading Using a Novel Graphical Matching Approach

Pairs trading, a strategy that capitalizes on price movements of asset pairs driven by similar factors, has gained significant popularity among traders. Common practice involves selecting highly cointegrated pairs to form a portfolio, which often leads to the inclusion of multiple pairs sharing common assets. This approach, while intuitive, inadvertently elevates portfolio variance and diminishes risk-adjusted returns by concentrating on a small number of highly cointegrated assets. Our study introduces an innovative pair selection method employing graphical matchings designed to tackle this challenge. We model all assets and their cointegration levels with a weighted graph, where edges signify pairs and their weights indicate the extent of cointegration. A portfolio of pairs is a subgraph of this graph. We construct a portfolio which is a maximum weighted matching of this graph to select pairs which have strong cointegration while simultaneously ensuring that there are no shared assets within any pair of pairs. This approach ensures each asset is included in just one pair, leading to a significantly lower variance in the matching-based portfolio compared to a baseline approach that selects pairs purely based on cointegration. Theoretical analysis and empirical testing using data from the S\&P 500 between 2017 and 2023, affirm the efficacy of our method. Notably, our matching-based strategy showcases a marked improvement in risk-adjusted performance, evidenced by a gross Sharpe ratio of 1.23, a significant enhancement over the baseline value of 0.48 and market value of 0.59. Additionally, our approach demonstrates reduced trading costs attributable to lower turnover, alongside minimized single asset risk due to a more diversified asset base.

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.