Aufbau und Implementierung von Portfolios zur Optimierung des Handelsvolumens

Obwohl sich Portfolio-Optimierung in der Regel auf Risiko- und Ertragsprognosen konzentriert, sind die Implementierungskosten von entscheidender Bedeutung. Die Prognose von Transaktionskosten ist jedoch herausfordernd, da für große Investoren der größte Bestandteil der Preis-Effekt ist, der von der Transaktionsgröße, dem Volumen der anderen Trader und der Identität der Trader abhängt. Um dieses Problem zu lösen, entwickelten die Autoren der August 2024-Studie der Alpha-Stock-Gruppe, Rusian Goyenko, Bryan Kelly, Tobias Moskowitz, Yinan Su und Chao Zhang, eine Annahme, dass die Transaktionsgröße eine wertvolle Quelle für die Schätzung der Transaktionskosten ist, und dass die Transaktionskosten, wenn die Transaktionsgröße feststeht, mit der Abnahme der Transaktionsmenge verringert werden sollten. Um diese Annahme zu überprüfen, entwickelten sie ein Machine-Learning-Modell, um die Transaktionsgröße der einzelnen Aktien zu

Sie stellen zunächst fest, dass frühere Studien (Frazzini, Israel und Moskowitz, 2018) zeigen, dass die Transaktionsgröße in Abhängigkeit von der täglichen Transaktionsmenge (die als quantitative Transaktionsgröße bezeichnet wird) ein wichtiger Treiber der Kosten ist, die den Preis beeinflussen, und dass die Preise eine inkrementelle Funktion der Beteiligung sind. Die geringere Transaktionsgröße, wenn die Transaktionsgröße unverändert bleibt, beeinflusst die Handler den Preis. Daher können die Hoher die prognostizierte Transaktionsgröße unter den gleichen anderen Bedingungen, die Handler mehr Beträge handeln, da die Preiswirkung pro Transaktion geringer ist. Im Gegenteil, niedrigere Prognosen führen dazu, dass die Handler weniger radikal handeln, und die Transaktionsgröße kann sogar auf Null reduziert werden, da die Preise pro Dollar mehr beeinflussen. Daher ist ihre Strategie, jede Transaktion als eine Kombination der prognostizierten Transaktionskosten zu prognostizieren, und

Anschließend stellen die Autoren ein Machine-Learning-Modell vor, das zur Vorhersage von Handelsvolumen verwendet wird. Ihr Modell basiert auf recurrent Neurons. Zur Vorhersage von Handelsvolumen verwenden sie technische Signale wie Verzögerung und Verzögerung von Handelsvolumen sowie Firmenmerkmale, die in der Literatur festgestellt wurden, die abnormaler Erträge erzielen. Sie fügen dann Indikatoren für verschiedene Markt- oder Firmen-Ereignisse hinzu, die mit Handelsvolumenfluktuationen zusammenhängen, einschließlich bevorstehender und vergangener Ertragsberichte, und analysieren lineare und nicht-lineare Prognosemethoden mit Hilfe verschiedener Neuronen, um die Vorhersagbarkeit außerhalb der Stichprobe zu maximieren. Schließlich prognostizieren sie die Ziel-/Verlustfunktion des Neurons, um die wirtschaftlichen Ziele des Portfolios bei der Vorhersage von Handelsvolumen zu berücksichtigen.

Die Autoren demonstrieren dann, wie sie ihr Modell nutzen, um ihr Portfolio aufzubauen.

Um die wirtschaftliche Bedeutung der Handelsvolumenprognose zu quantifizieren, haben wir die Handelsvolumenprognose in das Problem der Rationalität der Portfolios einbezogen. Wir haben einen Portfolio-Framework entwickelt, der die Netto-Kostenleistung des Portfolios mit Hilfe einer Ebenwert-Differenz-Effizienz-Funktion maximieren soll, bei der die Transaktionskosten und die Beteiligungsquote linear verknüpft sind (inspiriert von theoretischen und empirischen Studien in der Literatur).

Beachten Sie auch, dass in der Praxis, wenn die Transaktionskosten für eine Sache hoch sind, die andere Option ist, etwas anderes zu handeln. Zum Beispiel, wenn die Transaktionskosten für A zu hoch sind, kann man die niedrigeren Transaktionskosten für B in Betracht ziehen. Dies kann besser sein als nicht zu handeln. In der Regel haben viele von ihnen ähnliche Eigenschaften, so dass die erwarteten Erträge ähnlich sind, und der Fonds muss von Zeit zu Zeit gehandelt werden (z. B. wegen des Cashflows).

Ihre Probenzeit betrug 2018 bis 2022, also 1.258 Tage. Die Querschnittsspanne umfasste etwa 4.700 Arten, mit einem Durchschnitt von 3.500 pro Tag, oder insgesamt 4.400.000 Beobachtungen.

Sie haben ein Modell entwickelt, mit dem sie alle möglichen Handelsvolumina genau vorhersagen können.

• Die Kosten für den Einfluss auf den Preis (vorausgesetzt, dass die Transaktionsgröße feststeht) sind linear verknüpft mit der Beteiligungsquote, aber unlinear mit dem Transaktionsvolumen. Eine sehr geringe Transaktionsgröße bedeutet, dass die Kosten für den Einfluss exponentiell hoch sind, während eine sehr hohe Transaktionsgröße bedeutet, dass die Kosten unberücksichtigt sind.
• Große Unternehmen sind besser in der Prognose als kleinere Unternehmen. Kleinere Unternehmen sind nicht nur durchschnittlich flüssiger, sondern auch schwieriger zu prognostizieren und sind volatiler.
• Wenn die Transaktionsgröße unverändert bleibt, sind die Kosten für die Preisbewegung der Liquiditätsbedürftigen nahezu unendlich, wenn die Transaktionsgröße auf Null ansteigt (beachten Sie, dass es bei den Liquiditätsanbietern genau umgekehrt ist, weshalb Geduldsgeschäfte wichtig sind), während die Kosten für die Preisbewegung nahezu Null sind, wenn die Transaktionsgröße steigt).
• Bei geringerem Handelsvolumen haben Veränderungen der Handelsvolumenprognose größere wirtschaftliche Auswirkungen, was zu einem asymmetrischen Kostenverhältnis für quantitative Prognosefehler führt. Allerdings sind die Opportunitätskosten für die Verfolgung von Fehlern oder Nicht-Handel unabhängig vom Handelsvolumen. Die Kombination dieser beiden Effekte bedeutet, dass die Strafe für die Optimierung von hochbewerteten Handelsvolumen größer ist als die Strafe für unterbewertete Handelsvolumen. Bei hochbewerteten Handelsvolumen sind die Kosten für zu viele Transaktionen höher als bei unterbewerteten Handelsvolumen.
• Die optimale Balance zwischen den Kosten für den Tracking und dem Verlust des Tracking-Fehlers, der mit der Erhöhung der AUM erhöht wird, wird sich je nach Portfoliogröße ändern, und die wirtschaftlichen Auswirkungen der Transaktionsvolumenprognose sind unterschiedlich. Für kleinere AUM kann der Tracking-Fehler relativ weniger wertvoll sein, wenn die wirtschaftlichen Vorteile der Transaktions-Kostenprognose berücksichtigt werden. Für größere AUM ist der Transaktions-Kosten-Faktor dominant.
• Faktoren mit hoher Handelsvolumen (z. B. Dynamik, kurzfristige Umkehrungen) profitieren mehr von der Optimierung des Portfolios, das aufgrund der Handelsvolumenprognose die erwarteten Transaktionskosten berücksichtigt (siehe Schaubild).

Grafik: Durchschnittliche Ertragsverbesserung bei der Umsetzung der einzelnen Faktorportfolios

A. Implementierung der Faktorkombinationen B. Durchschnitt der thematischen Cluster Jeder Punkt implementiert ein JKP-Faktorportfolio. Die y-Achse ist die Differenz zwischen der durchschnittlichen Excess-Ertragung nach der Implementierung von rnn.econall und ma5 Kosten. Die x-Achse ist die Umsatzrate der Ziel-Faktorportfolio (d.h. Gleichung 15 von xi,ttxt = x-1).

Die Ergebnisse sind hypothetische Ergebnisse, keine Indikatoren für zukünftige Ergebnisse und stellen keine tatsächlichen Erträge für Investoren dar. Die Indizes werden nicht verwaltet, spiegeln keine Verwaltung oder Transaktionsgebühren wider und die Investoren können nicht direkt in Indizes investieren.

• Der Transaktionsalpha-Wert ist sehr beträchtlich. Der Transaktionsalpha-Wert ist für Portfolios mit einer marginalen Verbesserung der Transaktionsalpha genauso groß wie der Transaktionsalpha-Wert für die Entdeckung der Rendite. Zum Beispiel kann die Leistungsverbesserung des Portfolios nach Kosten abzüglich der Transaktionsverzögerungen bei einem Geldbetrag von 1 Milliarde US-Dollar nur durch die Prognose des Transaktionsvolumens und nicht durch den Einsatz eines Nachtransaktionsvolumen-Indikators bis zu doppelt so hoch sein wie die erwartete Rendite oder die Sharpe-Ratio nach Transaktionskosten.

Die Autoren schließen daraus:

Die Transaktionsmenge ist sehr vorausschauend, insbesondere wenn sie von Maschinellen Lerntechnologien, Big Data-Signale und den Vorteilen der Vorhersage-Komplexität Gebrauch macht. Wir haben festgestellt, dass die Transaktionsmenge-Vorhersage bei der Realisierung einer optimal gemischten Differenz-Portifolio nach Abzug der Transaktionskosten genauso wertvoll ist wie die Ertragsvorhersage. Wir haben festgestellt, dass die direkte Einbeziehung der wirtschaftlichen Zielfunktion in die Maschinellehrung effektiver ist, um nützliche Vorhersagen zu erhalten. Diese Funktion könnte für viele finanzielle Anwendungen von Maschinellem Lernen geeignet sein, bei denen die direkte Einbeziehung der wirtschaftlichen Ziele einen zweistufigen Prozess beinhalten kann, nämlich zuerst ein statistisches Ziel zu erreichen und dann die statistischen Objekte in den wirtschaftlichen Rahmen zu bringen.

Zusammenfassung

Die Arbeit "Trading Volume Alpha" ist ein bedeutender Beitrag zur Handelsvolumen-Literatur. Die Autoren geben einen klaren und kurzen Überblick über die bestehende Literatur. Sie stellen auch ein neues Maschinenlernmodell vor, das zur Vorhersage von Handelsvolumen verwendet wird. Ihre Entdeckungen haben die Möglichkeit, die Konstruktion und Umsetzung von Strategien für quantitative Transaktionen grundlegend zu verändern.

Eine umfassendere Suche nach Prognosevariablen und ein Modell zur genaueren Prognose von Handelsvolumen könnte größere wirtschaftliche Vorteile bringen als wir hier zeigen. Einige vielversprechende Kandidaten für zusätzliche Funktionen und Methoden sind die Quantifizierung der führenden Rückstandsverhältnisse zwischen den Transaktionen, mehr saisonale Indikatoren, andere Marktmikrostrukturvariablen und komplexere nn- und rnn-Modelle.

Der Link zum Original:https://alphaarchitect.com/2024/11/trading-volume/