跳至正文
返回文库全部文档

用于统计套利的多因子投资组合筛选

文章 arXiv papers · 作者: Wenbin Zhang et al.
阅读原文

总结

论文研究基于协整的统计套利，并比较使用多个因子寻找候选股票投资组合的方法。研究评估了K均值聚类、对整个股票池应用图形套索，以及结合两者的混合方法。所报告结果显示，聚类优于单独使用图形套索，而混合方法表现更好。

作者还测试了在交易期间更新一次候选投资组合是否能改善结果。在本研究中，调整后的策略并未优于不重新学习的策略。研究结果通过了具有统计显著性的统计套利检验，并使用形成期和交易期的独立数据集进行了验证。摘要未说明因子、投资组合构建细节、交易成本或表现指标，因此无法据此确定这些方法在其他市场或不同实现假设下的比较结果。

核心观点

  • 研究使用多个因子识别基于协整的统计套利候选投资组合。
  • 研究比较了K均值聚类、图形套索和两者结合的混合筛选方法。
  • 平均而言，聚类表现优于对整个股票池应用图形套索。
  • 将聚类与图形套索结合后，所报告的结果优于任一单独方法。
  • 在交易期间重新计算一次候选投资组合并未改善本研究中的结果。
  • 所报告结果通过了统计套利检验，并在独立数据集上进行了检验。

标签

股票套利配对交易统计学投资组合构建
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。