Construcción e implementación de portafolios para optimizar el volumen de operaciones

Aunque la optimización de portafolios generalmente se centra en la predicción de riesgos y retornos, los costos de implementación son fundamentales. Sin embargo, la predicción de los costos de transacción es desafiante, ya que para los inversores masivos, el mayor componente es la influencia del precio, que depende del tamaño de la transacción, el volumen de otros operadores en ella y la identidad del operador, por lo que se impide una solución general. Para resolver este problema, en agosto de 2024, los autores de la investigación del volumen de transacción Alphabet, Rusian Goyenko, Bryan Kelly, Tobias Moskowitz, Yinan Su Kelly y Chao Zhang, asumieron que el volumen de transacción es una valiosa fuente de información para estimar el costo de la transacción, y que el tamaño de la transacción es fijo, y que el costo de la transacción debe disminuir con la disminución del volumen de transacción.

En primer lugar, señalan que estudios anteriores (Frazzini, Israel y Moskowitz, 2018) han demostrado que el tamaño de las transacciones, aparte del volumen de transacciones diarias (conocido como participación de mercado de transacciones cuantitativas), es un factor clave que impulsa los costos, y que el efecto de los precios es una función incremental del porcentaje de participación. Por lo tanto, cuando el volumen de transacciones no cambia, el menor volumen de transacciones representa el mayor impacto de los operadores en el precio. Por lo tanto, en otras condiciones similares, el mayor volumen de transacciones previsto, los operadores pueden negociar más cantidades, ya que el impacto del precio de cada transacción es menor.

A continuación, los autores presentan modelos de aprendizaje automático utilizados para predecir el volumen de transacciones. Su modelo se basa en redes neuronales recurrentes. Para predecir el volumen de transacciones, utilizan señales técnicas, como ganancias atrasadas y ganancias atrasadas, y las características de las empresas que captan ganancias anormales que se encuentran en la literatura. Luego, agregan indicadores de varios eventos a nivel de mercado o de la empresa relacionados con la volatilidad del volumen de transacciones, incluidos informes de ganancias inminentes y pasados, y utilizan una variedad de redes neuronales para analizar métodos de predicción lineal y no lineal con el fin de maximizar la predictibilidad fuera de la muestra.

Luego, los autores demuestran cómo usar su modelo para construir una cartera.

Para cuantificar el significado económico de las predicciones de volumen de transacción, incorporamos la predicción de volumen de transacción en el problema de racionalización de grupos. Creamos un marco de portafolios para maximizar el rendimiento de los costos netos de los portafolios utilizando la función de diferencia de eficiencia de paridad, en la que los costos de transacción y la participación tienen una relación lineal (inspirada en la investigación teórica y empírica de la literatura). La optimización compensa los costos de transacción con las oportunidades de no transacción.

Igualmente, tenga en cuenta que en la práctica, cuando el costo de transacción de un elemento es alto, la otra opción es negociar algo más. Por ejemplo, si el costo de transacción de A es demasiado alto, se puede considerar un costo de transacción más bajo que B. Esto puede ser mejor que no negociar, y generalmente muchos de ellos tienen características similares, por lo que los rendimientos esperados son similares, y los fondos necesitan negociar de vez en cuando (por ejemplo, por razones de flujo de efectivo).

Su período de muestra es de 2018 a 2022, es decir, 1.258 días. La sección transversal abarca alrededor de 4.700 especies, con un promedio de 3.500 especies por día, o un total de 4.400.000 observaciones.

Su modelo puede predecir con precisión todo tipo de transacciones.

• Los costos de impacto del precio (suponiendo que el tamaño de la transacción sea fijo) tienen una relación lineal con la participación, pero una relación no lineal con el volumen de transacción. Un volumen de transacciones muy bajo significa que el costo de impacto es exponencialmente alto, mientras que un volumen de transacciones muy alto significa que los costos pueden ignorarse. Las tecnologías de aprendizaje automático pueden mejorar significativamente la capacidad de predecir el volumen de transacciones, en parte debido a que la no linealidad del volumen de transacciones y su relación con el costo de transacción mejora significativamente la precisión de las predicciones de volumen de transacciones.
• Las grandes empresas tienen una mayor precisión de pronóstico que las pequeñas empresas. Las pequeñas empresas no solo tienen una menor liquidez en promedio, sino que también son más difíciles de predecir y son más volátiles.
• Si el volumen de transacciones se mantiene invariable, los costos de impacto en el precio de los demandantes de liquidez son casi infinitos cuando el volumen de transacciones se acerca a cero (tenga en cuenta que el proveedor de liquidez es exactamente el contrario, por lo que es importante operar con paciencia), mientras que los costos de impacto se acercan a cero cuando el volumen de transacciones es mayor).
• Cuando el volumen de transacciones es bajo, los cambios en el pronóstico del volumen de transacciones tienen un mayor impacto económico, lo que genera un costo asimétrico de errores de pronóstico cuantitativos. Sin embargo, el costo de oportunidad de seguir errores o no operar no está relacionado con el volumen de transacciones. La combinación de estos dos efectos significa que la penalización de la optimización del volumen de transacciones de alta valoración es mayor que la penalización del volumen de transacciones de baja valoración.
• Los costos de transacción aumentan con el aumento de AUM, y la pérdida relativa de errores de seguimiento que reduce los costos de transacción y errores de seguimiento con el aumento de AUM cambiará con el tamaño de la cartera, y el impacto económico del volumen de transacción proyectado también variará. Para un AUM más pequeño, el error de seguimiento puede ser relativamente menos valioso que el beneficio económico del costo de transacción. Para un AUM más grande, el costo de transacción es el factor dominante.
• Los factores de mayor volumen de transacción (por ejemplo, el impulso, la inversión corta) se benefician más de la optimización de la cartera, que se optimiza según las previsiones de volumen de transacción para considerar los costos de transacción esperados (ver gráfico).

Gráfico: Mejora de la rentabilidad promedio en la implementación de cada cartera de factores

A. Implementar combinaciones de factores B. Promedio por grupo temático Cada punto implementa una cartera de factores de JKP. El eje y es la diferencia entre la rentabilidad media de la cartera de factores de implementación después de rnn.econall y ma5. El eje x es la tasa de rotación de la cartera de objetivos de factores de inversión (es decir, la ecuación de xi,ttxt = x-1 15).

Los resultados son resultados hipotéticos, no son indicadores de resultados futuros, y no representan los beneficios reales obtenidos por los inversores. Los índices no son administrados, no reflejan los costos de administración o transacción, y los inversores no pueden invertir directamente en los índices.

• El valor alfa del volumen de negociación es considerable. El valor alfa del volumen de negociación es tan grande como el valor alfa del rendimiento descubierto. Por ejemplo, para un fondo de $ 1 mil millones, la mejora del rendimiento de la cartera después de deducir los costos puede alcanzar el doble de la tasa de Sharpe de la rentabilidad esperada o el costo de negociación después del uso del indicador de volumen de negociación atrasado. En los factores de fijación de precios de los activos dominantes, el uso de la media móvil del rendimiento atrasado para predecir el rendimiento futuro del comercio, el rendimiento después del costo, etc. varía de 20 puntos básicos a 100 puntos básicos.

Los resultados de su investigación llevan a los autores a concluir:

Los volúmenes de transacción de aluminio son muy predictivos, especialmente cuando se utilizan tecnologías de aprendizaje automático, señales de datos grandes y aprovechan las ventajas de la complejidad de los pronósticos. Hemos encontrado que en la realización de una cartera de inversiones de diferenciales de valor óptimo después de deducir los costos de transacción, los pronósticos de volumen de transacción son tan valiosos como los pronósticos de rendimiento. Hemos encontrado que incorporar directamente la función de objetivos económicos en el aprendizaje automático es más eficaz para obtener pronósticos útiles.

Resumen

El artículo "Trading Volume Alpha" es una contribución importante a la literatura sobre el volumen de transacciones. Los autores presentan un resumen claro y breve de la literatura existente. También presentan un nuevo modelo de aprendizaje automático para predecir el volumen de transacciones.

La búsqueda más completa de variables de predicción y el modelo de predicción de volúmenes de transacción con mayor precisión pueden generar mayores beneficios económicos que los que se muestran aquí. Algunas de las características y candidatos prometedores para el método son: relación de volúmenes de transacción entre transacciones cuantificadas, más indicadores estacionales, otras variables de la estructura microscópica del mercado y modelos nn y rnn más complejos.

Enlace al texto original:https://alphaarchitect.com/2024/11/trading-volume/