利用交易量优化投资组合的构建和实施

虽然投资组合优化通常侧重于风险和回报预测，但实施成本至关重要。然而，预测交易成本具有挑战性，因为对于大规模投资者来说，最大的组成部分是价格影响，这取决于交易规模、其他交易者在其中的交易量以及交易者的身份，因此阻碍了通用解决方案。为了解决这个问题，2024 年 8 月研究“交易量阿尔法”的作者 Rusian Goyenko、Bryan Kelly、Tobias Moskowitz、Yinan Su 和 Chao Zhang，假设交易量是估算交易成本的宝贵信息来源，假设交易规模固定，交易成本应该随着交易量而下降。为了验证这一假设，他们开发了一个机器学习模型，可以准确预测个股的交易量。然后，他们演示了如何使用此模型构建跑赢传统市值加权投资组合的投资组合。

他们首先指出，先前的研究（Frazzini、Israel 和 Moskowitz，2018 年）表明，交易规模除以每日交易量（称为量化交易的市场参与率）是价格影响成本的关键驱动因素，而价格影响是参与率的递增函数。在交易规模不变的情况下，交易量越少，交易者对价格的影响就越大。因此，在其他条件相同的情况下，预测交易量越高，交易者就能交易更多金额，因为每笔交易的价格影响会更小。相反，较低的预测交易量会导致交易者的交易不那么激进，缩减交易规模（甚至可能为零），因为每美元的价格影响会更多。因此，他们的策略是预测每种的交易量，作为预期交易成本的代表，然后利用此预测来优化扣除这些成本后的投资组合，并量化其收益。他们的分析假设交易规模是固定的。注意在实践中，直观地讲，当交易成本低廉时，尝试交易的人可能会较多，而当交易成本较高时，尝试交易的人可能会较少。

随后，作者介绍了用于预测交易量的机器学习模型。他们的模型基于递归神经网络。为了预测交易量，他们使用了技术信号，例如滞后收益和滞后交易量，以及文献中发现捕获收益异常的公司特征。然后，他们添加了与交易量波动相关的各种市场范围或公司层面事件的指标，包括即将发布和过去的收益报告，并使用各种神经网络分析了线性和非线性预测方法，旨在最大限度地提高样本外的可预测性。最后，他们改变了神经网络的目标/损失函数，以便在预测交易量时考虑投资组合问题的经济目标。

然后，作者演示了如何使用他们的模型来构建投资组合。

“为了量化交易量预测的经济意义，我们将交易量预测纳入投资组合理论问题。我们建立了一个投资组合框架，该框架旨在使用均值-方差效用函数最大限度地提高投资组合的净成本绩效，其中交易成本与参与率呈线性关系（受文献中的理论和实证研究的启发）。优化权衡了交易成本与不交易的（机会）成本——最小化交易成本与最小化跟踪误差以达到成本前最优投资组合——其中交易成本和跟踪误差内在地呈负相关。在该模型中，我们假设收益的一阶和二阶矩为给定，并仅关注交易成本和跟踪误差在成本前最优投资组合之间的权衡。

同样地，注意在实践中，当某一项的交易成本很高时，另一种选择是交易其他东西。例如，如果A的交易成本太高，可以考虑交易成本较低的B。这样可能比不交易要好，通常他们许多都具有相似的特征，因此预期收益也相似，而且基金时不时需要交易（例如，现金流原因）。

他们的样本期为 2018 年至 2022 年，即1,258天。横截面涵盖约 4,700 种，平均每天 3,500 种，或总共 4,400,000个观察值。以下是他们的一些主要发现的摘要：

他们的模型能够准确预测各种交易量。

• 价格影响成本（假设交易规模是固定的）与参与率呈线性关系，但与交易量呈非线性关系——交易量非常低意味着影响成本呈指数级高，而非常高的交易量意味着成本可以忽略不计。机器学习技术可以显著提高预测交易量的能力，部分原因是交易量的非线性及其与交易成本的关系——大数据显著提高了交易量预测的精度。
• 大公司的预测准确性高于小公司——小公司不仅平均流动性较低，而且流动性也更难预测，波动性更大。
• 如果交易规模保持不变，随着交易量趋于零，流动性需求者的价格影响成本接近无穷大（注意，流动性提供者的情况恰恰相反，这就是为什么耐心交易很重要），而当交易量变大时，影响成本趋近于零。
• 当交易量较低时，交易量预测变化具有更大的经济影响，从而造成数量预测误差的不对称成本。然而，跟踪误差或不交易的机会成本与交易量无关。这两种效应的结合意味着，优化对高估交易量的惩罚大于低估交易量的惩罚。高估交易量时，交易过多比低估交易量时交易过少的成本更高。在交易量较低时，交易成本与交易量的关系非常陡峭，而在交易量较高时，成本与交易量的关系则持平。
• 交易成本随着 AUM 的增加而增加，跟踪误差的相对损失随着 AUM 的增加而降低——交易成本和跟踪误差之间的最佳权衡将随着投资组合的规模而变化，交易量预测的经济影响也会有所不同。对于较小的 AUM，跟踪误差主要考虑交易成本——预测交易量的经济利益可能相对不那么有价值。对于较大的 AUM，交易成本考虑因素占主导地位。
• 成交量较高的因素（例如动量、短期逆转）从投资组合优化中受益更多，该投资组合优化根据交易量预测考虑预期交易成本（见图表）。

图：实施每个因子投资组合的平均收益改善

A.实施各因子组合 B. 按主题集群平均 每个点都实施一个 JKP 因子投资组合。y 轴是实施 rnn.econall 和 ma5 后成本平均超额收益的差异。x 轴是因子投资组合目标的周转率（即 xi,ttxt = x-1 的等式 15）。面板 B 按风格集群（来自 JKP）对 A 中的点 0 进行平均。

结果是假设结果，不是未来结果的指标，也不代表任何投资者实际获得的收益。指数不受管理，不反映管理或交易费用，投资者不能直接投资指数。

• 交易量阿尔法值非常可观。交易量阿尔法值对投资组合的边际改善与发现回报阿尔法值一样大。例如，对于 10 亿美元的资金，仅凭交易量预测而非使用滞后交易量指标，扣除成本后投资组合的业绩改善幅度就可能高达预期收益或交易成本后的夏普比率的两倍。在盛行的资产定价因素中，使用滞后成交量的移动平均线来预测未来成交量，成本后回报率的改善范围从 20 个基点到 100 个基点不等。

他们的研究结果使作者得出结论：

“交易量极具预测性，尤其是在使用机器学习技术、大数据信号以及利用预测复杂性的优势时。我们发现，在实现扣除交易成本后的最优均值-方差投资组合方面，交易量预测与收益预测一样有价值。我们发现，将经济目标函数直接纳入机器学习对于获得有用的预测更加有效。此功能可能适用于机器学习的许多金融应用，其中，直接纳入经济目标可能会主导一个两步过程，即首先满足某个统计目标，然后将该统计对象纳入经济框架。对于交易量预测，高估与低估交易量之间的不对称成本被经济（统计）目标捕获（忽略），并产生相当大的经济影响。他们补充道：“改进预测方法并深化预测模型可能会对这些有显著提高，从而产生更大的交易量的阿尔法。

总结

论文 “Trading Volume Alpha” 对交易量文献做出了重大贡献。作者对现有文献进行了清晰简洁的概述。他们还提出了一种用于预测交易量的新型机器学习模型。他们的发现有可能彻底改变量化交易的构建方式和策略的实施方式。在结论中，作者指出：

“更全面地搜索预测变量和更准确地预测交易量的模型，可能会带来比我们这里展示的更大的经济效益。一些有希望的附加功能和方法候选，包括量化交易之间的领先滞后交易量关系、更多季节性指标、其他市场微观结构变量以及更复杂的 nn 和 rnn 模型。”

原文链接：https://alphaarchitect.com/2024/11/trading-volume/