[Arbitraje estadístico de cobertura neutral] (edición de fantasía de alfa pura)

Arbitraje estadístico de cobertura neutral

-0 Estrategia de arbitraje estadístico de cobertura neutral con exposición larga y corta

Hola, compañeros traders. Después de varios meses de depuración, optimización e iteración, me alegra que este arbitraje estadístico de cobertura neutral haya alcanzado un nivel relativamente estable y pueda ponerse a disposición de todos. Se trata de una estrategia neutral en el mercado basada en la cobertura de posiciones largas y cortas. En la misma cuenta, se puede comprar y vender una canasta de productos, con valores largos y cortos iguales. Bajo la premisa de evitar el riesgo sistémico beta del mercado, se utilizan métodos estadísticos para encontrar diversas combinaciones de pares largos-cortos para lograr una estrategia de arbitraje de bajo riesgo con ganancias alfa estables. Esta estrategia ofrece una buena experiencia de tenencia, una baja correlación con el mercado, una exposición neutral a posiciones largas y cortas y ningún riesgo de eventos extremos de cisne negro como ³¹²⁄₅₁₉. En cambio, será un gran éxito en un momento en el que el mercado está en alza. Mal valorado y completamente caótico. Excepcional. Esta estrategia se explicará en detalle a continuación.

Hello~Welcome come to my channel！

Bienvenidos todos los traders a mi canal. Soy Zuoshoujun, un desarrollador cuantitativo que desarrolla estrategias de trading integrales como CTA, HFT y arbitraje. Gracias a la plataforma FMZ, compartiré más contenido relacionado con el desarrollo cuantitativo en mi canal cuantitativo y trabajaré con todos los traders para mantener la prosperidad de la comunidad cuantitativa.

Para más información visita mi canal. Te espero aquí.【Cabaña cuantitativa del Hacedor】

1. Introducción y explicación del arbitraje estadístico

La estrategia de arbitraje estadístico es una estrategia comercial que explota la relación de precios entre diferentes canastas de productos básicos. Esta estrategia se basa en principios estadísticos. Analiza las tendencias históricas de precios y las correlaciones entre múltiples variedades, encuentra las diferencias de precios entre ellas y utiliza estas diferencias para realizar transacciones. Históricamente, las estrategias de arbitraje estadístico se han utilizado ampliamente en los mercados de valores. Las primeras estrategias de arbitraje estadístico se llevaron a cabo principalmente entre acciones, como por ejemplo entre compañías petroleras o de telecomunicaciones. Estas estrategias a menudo se basan en el supuesto de correlación industrial y tienen como objetivo lograr arbitraje comprando acciones infravaloradas y vendiendo acciones sobrevaloradas.

A medida que el mercado se desarrolla, las estrategias de arbitraje estadístico se han expandido gradualmente a otros mercados financieros, como los futuros de materias primas, el mercado de divisas y las criptomonedas. En estos mercados, es posible encontrar diferentes combinaciones de canastas que están correlacionadas y utilizar las diferencias de precios para realizar operaciones de arbitraje. La lógica de esta estrategia se basa en el principio de reversión a la media. Cuando los precios de múltiples combinaciones de canastas se desvían de sus rangos estadísticos, existe una tendencia a la regresión. Con base en esta tendencia, se puede vender una canasta de productos con precios altos y comprar una canasta de productos con precios bajos cuando la desviación de precios es grande, con el fin de protegerse contra errores temporales de fijación de precios en el mercado. De esta manera, puedes obtener ganancias de la distribución de múltiples combinaciones de pares de canastas.

2. Ventajas y desventajas del arbitraje estadístico

ventaja:

• Reducción del riesgo de mercado: las estrategias de arbitraje estadístico se basan en transacciones de arbitraje entre las diferencias entre canastas de productos básicos. En comparación con las transacciones con un solo producto básico, diversifican los riesgos y reducen el impacto de las fluctuaciones del mercado en las estrategias. Reducción de riesgos sistémicos del mercado.
• Retornos estables: Las estrategias de arbitraje estadístico realizan transacciones de arbitraje de regresión basadas en precios incorrectos del mercado a corto plazo y tienen características de retorno más estables en comparación con las estrategias direccionales. En comparación con las estrategias direccionales, produce menor riesgo, menor volatilidad y retornos más estables.
• Puede adaptarse a diferentes entornos de mercado: las estrategias de arbitraje estadístico pueden operar en diferentes entornos de mercado porque esta estrategia comercial tiene menos que ver con la direccionalidad del mercado.

defecto:

• Los datos históricos sólo pueden reflejar relaciones pasadas y no pueden representar completamente el futuro, por lo que existen ciertos riesgos. La construcción de estrategias de arbitraje estadístico utilizará una gran cantidad de pruebas estadísticas y realizará una minería de combinaciones y correlaciones de productos de canastas en función de grandes datos históricos. Estas estrategias pueden cambiar en el futuro y tienen ciertos riesgos de cola.
• Es difícil calcular con precisión el lapso de tiempo necesario para que el mercado vuelva al equilibrio con errores y desequilibrios de precios a corto plazo. Si el tiempo de la transacción es demasiado largo, el costo de utilizar los fondos también será muy alto.
• Capacidades de análisis de datos y construcción de modelos altamente exigentes: las estrategias de arbitraje estadístico requieren un análisis y modelado en profundidad de datos estadísticos, como correlación y cointegración entre diferentes combinaciones de canastas, y requieren altas capacidades de análisis de datos y construcción de modelos.
• Riesgo de ejecución de transacciones y de liquidez: dado que se trata de una transacción de cobertura de múltiples productos, el precio de ejecución y el volumen de negociación pueden verse afectados por diferentes productos y existe un riesgo de ejecución de transacciones. Se necesitan un diseño de estrategia y una implementación de arquitectura más sofisticados.

3. El contenido principal de este arbitraje estadístico Alfa

1. Monitoree todos los datos del producto en tiempo real, realice un escaneo de big data y cree combinaciones de canastas de productos largas y cortas.

En concreto, se construirá una combinación de pares de cestas: por ejemplo, si hay 6 variedades A, B, C, D, E y F, cada una se puede dividir en 2 grupos, con 3 variedades en cada grupo, para construir una cesta. combinación. Al mismo tiempo, se construirá un arbitraje de índices: algunas industrias y sectores se dividirán en dos, se construirán dos nuevos índices de mercado y luego se realizará un análisis de datos estadísticos sobre estos dos índices.

2. Verifique la correlación entre las combinaciones de canastas largas y cortas.

La correlación se refiere al grado de asociación entre dos o más variables. Se utiliza para medir la relación entre el cambio de una variable y el cambio de otra variable, lo que ayuda a determinar si existe una relación correspondiente o predecir el impacto del cambio de una variable en otra variable. El coeficiente de correlación es un método común para medir la correlación. Entre los más comunes se encuentran el coeficiente de correlación de Pearson y el coeficiente de correlación de rangos de Spearman. El coeficiente de correlación de Pearson se utiliza para evaluar la relación entre dos variables continuas, mientras que el coeficiente de correlación de rango de Spearman se utiliza para evaluar la relación entre dos variables ordinales. El rango del coeficiente de correlación es[-1, 1], donde -1 indica correlación negativa, 1 indica correlación positiva y 0 indica que no hay correlación. Cuanto más cerca esté el coeficiente de correlación de -1 o 1, más fuerte será la correlación; cuanto más cerca esté de 0, más débil será la correlación. La fórmula matemática del coeficiente de correlación es la siguiente (tomando como ejemplo el coeficiente de correlación de Pearson):

r = cov(X, Y) / (std(X) * std(Y))。

Entre ellos, r es el coeficiente de correlación, cov es la covarianza, std es la desviación estándar y X e Y representan dos variables respectivamente. Al probar la correlación, un enfoque común es calcular la significancia estadística del coeficiente de correlación. Generalmente, se pueden utilizar pruebas de hipótesis para determinar si el coeficiente de correlación es significativo. La hipótesis nula de la prueba de hipótesis es que no existe correlación entre las variables. Se calculan las estadísticas del coeficiente de correlación para determinar si se debe rechazar la hipótesis nula.

3. Probar la cointegración de la cartera de canastas largas y cortas.

La cointegración se refiere a la relación a largo plazo entre dos o más variables de series de tiempo, es decir, su combinación lineal es estable. En comparación con la correlación, la cointegración presta más atención a la relación de equilibrio a largo plazo en lugar de sólo a la correlación de corto plazo. Cuando se desvían de esta relación de equilibrio, existe un mecanismo de corrección para devolver la desviación a un rango razonable. El concepto de cointegración fue propuesto por primera vez por Spiegelman (S.G.Engle) y Granger (C.W.J.Granger) en 1987 para resolver el problema de regresión espuria en el análisis de series de tiempo. El problema de la regresión espuria se origina por la posible existencia de raíces unitarias entre variables. Las raíces unitarias hacen que la relación de regresión entre variables parezca significativa en el corto plazo, pero no existe una relación de equilibrio real en el largo plazo.

La teoría de la cointegración comienza con el análisis de la no estacionariedad de las series de tiempo y explora la relación de equilibrio de largo plazo implícita en las variables no estacionarias. Si las variables involucradas son estacionarias después de la diferencia de primer orden, y alguna combinación lineal de estas variables es estacionaria, entonces hay cointegración entre estas variables. La cointegración se utiliza para caracterizar la relación estacionaria entre dos o más series. Cada secuencia puede ser no estacionaria individualmente, y los momentos de estas secuencias, como la media, la varianza o la covarianza, cambian con el tiempo, mientras que la secuencia de combinación lineal de estas series de tiempo puede tener la propiedad de no cambiar con el tiempo. Cuando los precios de dos activos están cointegrados, su combinación lineal tendrá la propiedad de revertir a la media. La fórmula matemática de cointegración es la siguiente (tomando como ejemplo dos variables de series temporales):

Y_t = β_0 + β_1 * X_t + ε_t

Entre ellos, Y_t y X_t representan los valores observados de dos variables de series de tiempo, β_1 es el coeficiente de regresión y ε_t es el término de error. Si existe una relación de cointegración entre Y_t y X_t, entonces la combinación lineal de las dos variables será estable, es decir, ε_t es estacionaria. Satisface la distribución normal con media 0. Para comprobar la cointegración, normalmente se requiere una prueba de estabilidad. Los métodos más utilizados son la prueba de Johansen y la prueba de Engle-Granger. La prueba de Johansen se basa en el método de valores propios y puede probar directamente la relación de cointegración entre múltiples variables. La prueba de dos pasos de Engle-Granger se basa en el método de estimación MCO modificado (Mínimos Cuadrados Ordinarios) y es adecuada para probar la relación de cointegración entre dos variables.

4. Esta estrategia pondrá a prueba la relación de cointegración de series temporales para un gran número de combinaciones. Los criterios específicos son los siguientes:

• La serie de precios temporales de una única canasta de cartera es un vector integral único de primer orden, es decir, la serie de precios temporales no es estacionaria (tiene una tendencia clara). Utilice la raíz unitaria ADF para probar la estacionariedad del tiempo de precio en múltiples períodos de tiempo.
• La serie de diferencias de primer orden (es decir, la derivada) de las combinaciones de cestas individuales es estacionaria. Prueba de raíz unitaria ADF para la serie de precios temporales de dos canastas. La raíz unitaria ADF se utiliza para probar la estacionariedad de las diferencias de primer orden de las dos series de precios temporales de la canasta.
• Una determinada combinación lineal de la serie de precios de tiempo de combinación pareada es estacionaria, es decir, el residuo de la ecuación lineal construida con las dos series es estacionario. Para dos secuencias del mismo orden, se realiza una regresión MCO y se prueba la estacionariedad de los residuos.
• No se repetirán aquí más pruebas estadísticas ni análisis de datos. Se realizará un análisis estadístico a gran escala, detallado y completo de todos los productos del mercado.

5. Realice una gran cantidad de pruebas de índice de Hurst.

El exponente de Hurst se utiliza para medir la memoria a largo plazo de una serie temporal para determinar las características de reversión a la media de la serie. El valor del índice de Hurst varía entre 0 y 1, siendo los valores cercanos a 0,5 los que indican un paseo aleatorio y los valores cercanos a 1 los que indican una tendencia persistente. Principio: El índice de Hurst estima el grado de memoria a largo plazo de una secuencia calculando la relación entre el rango de desviación de las subsecuencias superpuestas de la secuencia y su longitud. Fórmula matemática: Un método para calcular el índice de Hurst es utilizar la relación entre el rango de desviación y la longitud de las subsecuencias superpuestas para establecer la relación correspondiente de los recorridos aleatorios. El exponente de Hurst se puede estimar utilizando un ajuste de regresión lineal entre el rango de dispersión y la longitud de las subsecuencias superpuestas.

6. Estimación de la vida media de reversión a la media.

La vida media de reversión a la media es una métrica utilizada para estimar el tiempo que tarda una serie de precios en volver a su media. Cuanto menor sea la vida media, más rápida será la tasa de reversión a la media. Principio: La vida media de reversión a la media se estima ajustando un modelo de media móvil exponencial convergente (EMA). Cuando la desviación de una serie de precios respecto de la media excede la vida media, se puede considerar que existe la posibilidad de una reversión a la media. Fórmula matemática: La fórmula de cálculo de la vida media de reversión a la media es la siguiente:

(H = -\frac{\ln(0.5)}{\ln(\frac{P_t}{Pt - P{t-1}})})

Método de verificación: puede calcular la EMA de la serie de precios y luego calcular la vida media en función de la EMA.

7. Construir estrategias comerciales basadas en grandes cantidades de datos estadísticos.

En pocas palabras, las combinaciones de productos de la cesta se filtran según el índice de clasificación de Hurst, los parámetros estadísticos relevantes se estiman según la vida media de reversión a la media y la combinación de estrategias comerciales se construye según la cointegración. No se describirán más detalles. .

Supongamos que x e y son las series temporales de precios de las canastas de activos X y Y respectivamente. La relación de cointegración entre las dos se puede expresar como: Lny = a + blnx + c, donde c es el término residual, que es estable y satisface la media de 0. La distribución normal.

Después de la prueba de cointegración, existe una relación de cointegración entre los precios temporales de los activos X e Y, la desviación estándar del término residual c es σ y la constante λ se selecciona como valor límite.

• Cuando lny-(a+blnx) > λσ, el precio de la cesta Y está relativamente sobrevaluado, y el precio de la cesta X está relativamente infravalorado, por lo que se compra la cesta X y se vende la cesta Y;
• Cuando lny-(a+blnx) < -λσ, el precio de la cesta X está relativamente sobrevaluado, y el precio de la cesta Y está relativamente infravalorado, por lo que se compra la cesta Y y se vende la cesta X;
• Cuando la diferencia de precio lny-(a+blnx) vuelve a un rango determinado, como [-0,5λσ, 0,5λσ], cierre la posición;

8. Algunas características.

La versión actual es relativamente completa, incluye operaciones de mercado casi completo de gran potencia, estimación de tendencias de alta frecuencia de tareas comerciales y precios de mercado para lograr ventajas de transacciones Maker-Taker de alta frecuencia y cobertura de cola de productos individuales después de una probabilidad a largo plazo. Verificación de ventajas. No se profundizará en la protección, registro local final de cada orden, operación de cobertura mixta con otras estrategias, etc.

4. Algunos datos históricos sobre el rendimiento (estadísticas de porciones a nivel de minuto, datos de costo de 50 000 para el tomador después de estimar el precio real de la transacción)

[Arbitraje estadístico de cobertura neutral nuevo] - Supernova

5. Esperamos la cooperación y el intercambio, así como el aprendizaje y el progreso comunes.

[Arbitraje estadístico de cobertura neutral nuevo] - Supernova

Datos de monedas de terceros

Toda estrategia tiene su metodología y condiciones de mercado que determinan si es adecuada o no. Por ejemplo, la estrategia de reversión a la media se basa en teorías como la del paseo aleatorio del mercado, y la estrategia de tendencia de impulso se basa en varias teorías de finanzas conductuales y en la existencia de fluctuaciones de cola gruesa en el mercado. Es importante comprender sus principios y adaptarse a sus fluctuaciones en función de sus características. Al mismo tiempo, los usuarios de estrategias deben prestar atención al hecho de que las ganancias y las pérdidas provienen de la misma fuente. Los mayores rendimientos siempre van acompañados de mayores riesgos. Las estrategias maduras tienen sus ventajas y desventajas. Deben usarse de manera razonable y aprovecharlas. Sus puntos fuertes y evitar sus debilidades. Deben saber lo que está bien y lo que está mal, y si son aptos para el mercado. Un desempeño completo, con confianza y sin sorpresas.

La cuantificación no es una máquina de movimiento perpetuo ni es omnipotente, pero debe ser la dirección del trading futuro y vale la pena que todo trader la aprenda y la utilice. Todos los traders están invitados a señalar deficiencias, debatir juntos, aprender y mejorar juntos, surfear las olas en el mercado turbulento y seguir adelante.

● Esta estrategia es bastante única y se diferencia bastante de las tendencias tradicionales, las redes, las altas frecuencias, el arbitraje, etc. Tiene una capacidad limitada y es principalmente autogestionada. Los grandes usuarios y los inversores institucionales son bienvenidos a comunicarse y aprender.

● Más planes de cooperación: mantenemos una actitud de cooperación abierta y beneficiosa para todos con cualquier persona e institución que tenga necesidades. Esperamos con interés sus conversaciones y una cooperación personalizada en función de sus necesidades, preferencias de riesgo, etc.

Si tiene una mayor tolerancia al riesgo, prefiere ganancias y pérdidas a corto plazo y necesita operar a corto plazo, puede consultar otra estrategia estable de alta frecuencia con un rendimiento mensual del 3% al 50% y sin riesgo de liquidación: Nueva red de creación de mercado de cobertura de alta frecuencia

Si tiene una gran cantidad de fondos, puede buscar otro sistema de comercio CTA compuesto de gran capacidad y frecuencia media y baja, que ha estado en operaciones reales durante 1000 días sin ningún obstáculo. Es el sistema de combinación de estrategias CTA con mayor tiempo publicado, alta estabilidad y fuerte universalidad, con el fin de lograr un crecimiento estable a mediano y largo plazo: 【Nuevo sistema de negociación CTA compuesto】(Edición pública multifactorial + multivariedad + multiestrategia)

✱ Información de contacto (bienvenidos a discutir y aprender juntos) WECHAT: haiyanyydss Telegram: https://t.me/JadeRabbitcm Más información útil ➔ Casa Cuantitativa del Trader https://www.fmz.com/market-offer/512 ✱Fully automatic CTA & HFT & Arbitrage trading system @2018 - 2024