Construire et mettre en œuvre des portefeuilles optimisés pour le volume des transactions

Bien que l'optimisation des portefeuilles se concentre généralement sur les prévisions de risque et de rendement, les coûts de mise en œuvre sont essentiels. Cependant, les coûts de transaction sont difficiles à prévoir, car pour les investisseurs à grande échelle, la plus grande composante est l'influence du prix, qui dépend de la taille des transactions, du volume des autres traders et de l'identité des traders. Pour résoudre ce problème, les auteurs de l'étude d'août 2024 sur le volume des transactions Alphabet, Rusian Goyenko, Bryan Kelly, Tobias Moskowitz, Yinan Su et Chao Zhang, ont supposé que le volume des transactions est une source précieuse d'estimation des coûts des transactions, supposant que la taille des transactions est fixe et que le coût des transactions devrait diminuer avec la diminution du volume des transactions.

Ils notent tout d'abord que des études antérieures (Frazzini, Israel et Moskowitz, 2018) ont montré que la taille des transactions en dehors du volume des transactions quotidiennes (appelée participation de marché quantifiée) est un moteur clé du coût d'influence des prix, et que l'influence des prix est une fonction croissante du coût d'influence. Par conséquent, dans les mêmes conditions, le volume des transactions prévisionnelles plus élevé permet aux traders de négocier plus d'argent, car il y a moins d'influence sur le prix de chaque transaction. En revanche, les prévisions inférieures entraînent des transactions moins radicales et réduisent la taille des transactions (peut-être même à zéro) car le prix par dollar a plus d'influence.

Ensuite, les auteurs présentent des modèles d'apprentissage automatique utilisés pour prédire le volume des transactions. Leurs modèles sont basés sur des réseaux neuronaux récurrents. Pour prédire le volume des transactions, ils utilisent des signaux techniques tels que les gains et les pertes tardifs, ainsi que des caractéristiques des entreprises qui ont réalisé des gains anormaux dans la littérature. Ils ajoutent ensuite des indicateurs d'événements à l'échelle du marché ou à l'échelle de l'entreprise liés aux fluctuations du volume des transactions, y compris les rapports de gains à venir et passés, et utilisent divers réseaux neuronaux pour analyser des méthodes de prévision linéaires et non linéaires afin d'optimiser la prévisibilité hors échantillon en ligne. Enfin, ils prédisent des fonctions d'objectifs/pertes du réseau neuronal pour prendre en compte les objectifs économiques du portefeuille d'investissement lors de la prévision du volume des transactions.

Les auteurs ont ensuite démontré comment utiliser leur modèle pour construire un portefeuille.

Afin de quantifier l'importance économique des prévisions de volumes de transactions, nous avons intégré les prévisions de volumes de transactions dans le problème de rationalisation des portefeuilles. Nous avons créé un cadre de portefeuille qui vise à maximiser les performances de coût net du portefeuille en utilisant une fonction de parité-différence-efficacité, dans laquelle le coût de transaction et le taux d'engagement sont liés de manière linéaire (inspiré par des recherches théoriques et empiriques dans la littérature). L'optimisation équivaut au coût de transaction par rapport à l'opportunité de ne pas négocier.

De même, notez qu'en pratique, lorsque le coût de transaction d'un élément est élevé, l'autre option est de négocier quelque chose d'autre. Par exemple, si le coût de transaction d'A est trop élevé, un coût de transaction inférieur B peut être envisagé. Cela peut être préférable à ne pas négocier, car généralement beaucoup d'entre eux ont des caractéristiques similaires, donc les rendements attendus sont similaires, et les fonds ont besoin de négocier de temps en temps (par exemple, pour des raisons de flux de trésorerie).

Leur période d'échantillonnage s'étend de 2018 à 2022, soit 1 258 jours. Le segment horizontal couvre environ 4 700 espèces, avec une moyenne de 3 500 espèces par jour, ou un total de 4 400 000 observations. Voici un résumé de certaines de leurs principales découvertes:

Leurs modèles sont capables de prédire avec précision toutes sortes de transactions.

• Les coûts d'influence des prix (en supposant que la taille des transactions soit fixe) sont linéaires par rapport au taux d'engagement, mais non linéaires par rapport au volume de transactions. Un très faible volume de transactions signifie que les coûts d'influence sont exponentiellement élevés, tandis qu'un très grand volume de transactions signifie que les coûts sont négligeables.
• Les grandes entreprises sont plus précises dans leurs prévisions que les petites entreprises, tandis que les petites entreprises sont non seulement moins liquides en moyenne, mais aussi plus difficiles à prévoir et plus volatiles.
• Si la taille des transactions reste inchangée, les coûts d'impact sur les prix des demandeurs de liquidité sont presque infinis (notez que c'est exactement le contraire pour les fournisseurs de liquidité, c'est pourquoi il est important de négocier patiemment), alors que les coûts d'impact sont presque nuls lorsque le volume des transactions augmente.
• Lorsque le volume de transactions est faible, les changements de prévision du volume de transactions ont des effets économiques plus importants, ce qui entraîne des coûts asymétriques d'erreur de prévision quantitative. Cependant, le coût d'opportunité de suivre l'erreur ou de ne pas négocier n'est pas lié au volume de transactions. La combinaison de ces deux effets signifie que la punition de l'optimisation du volume de transactions surévalué est plus grande que la punition du volume de transactions sous-évaluées.
• Le coût de transaction augmente avec l'augmentation de l'AUM, la perte relative de l'erreur de suivi qui diminue avec l'augmentation de l'AUM et le meilleur équilibre entre le coût de transaction et l'erreur de suivi changera avec la taille du portefeuille et l'impact économique du volume de transactions prévu variera également. Pour les AUM plus petits, l'erreur de suivi peut être relativement moins précieuse que les avantages économiques du coût de transaction. Pour les AUM plus importants, les facteurs de coût de transaction dominent.
• Les facteurs de volume élevé (par exemple, la dynamique, les retours à court terme) bénéficient davantage de l'optimisation du portefeuille, qui est optimisée en fonction des prévisions de volume de transaction pour tenir compte des coûts de transaction prévus (voir graphique).

Graphique: Amélioration du rendement moyen de chaque portefeuille de facteurs mis en œuvre

A. mise en œuvre de combinaisons de facteurs B. moyenne par groupe thématique Chaque point implémente un portefeuille de facteurs JKP. L'axe y est la différence entre la réalisation de rnn.econall et la réalisation de l'excédent de rendement moyen après le coût de ma5. L'axe x est le taux de rotation de l'objectif de portefeuille de facteurs (équation 15 où xi,ttxt = x-1). Le panneau B est un ensemble de styles (provenant de JKP) pour les points 0 en A.

Les résultats sont des résultats hypothétiques et ne sont pas des indicateurs de résultats futurs et ne représentent pas les gains réels des investisseurs. Les indices ne sont pas gérés, ne reflètent pas les frais de gestion ou de transaction et les investisseurs ne peuvent pas investir directement dans les indices.

• L'alpha-volume de transaction est considérable. L'alpha-volume de transaction est aussi important que l'alpha-volume de retour découvert. Par exemple, pour un fonds de 1 milliard de dollars, l'amélioration de la performance du portefeuille après déduction des coûts peut atteindre deux fois le taux de Sharpe après les rendements attendus ou les coûts de transaction.

Leurs résultats ont conduit les auteurs à la conclusion suivante:

Les volumes de transaction sont extrêmement prédictifs, en particulier lorsqu'ils utilisent des technologies d'apprentissage automatique, des signaux de données volumineuses et des avantages de la complexité des prédictions. Nous avons constaté que les prévisions de volumes de transaction sont tout aussi utiles que les prévisions de rendement pour réaliser un portefeuille de valeur moyenne optimale après déduction des coûts de transaction. Nous avons constaté que l'intégration directe des fonctions d'objectifs économiques dans l'apprentissage automatique est plus efficace pour obtenir des prévisions utiles. Cette fonction peut s'appliquer à de nombreuses applications financières de l'apprentissage automatique, parmi lesquelles l'intégration directe des objectifs économiques peut conduire à un processus à deux étapes: satisfaire d'abord un objectif statistique, puis intégrer des objets statistiques dans le cadre économique.

Résumé

L'article "Trading Volume Alpha" a apporté une contribution majeure à la littérature sur les volumes de transactions. Les auteurs présentent une synthèse claire et concise de la littérature existante. Ils proposent également un nouveau modèle d'apprentissage automatique utilisé pour prédire les volumes de transactions.

Une recherche plus complète des variables de prévision et des modèles de prévision plus précises des volumes de transactions pourraient apporter des avantages économiques plus importants que ceux présentés ici. Certaines candidates de fonctionnalités et de méthodes prometteuses incluent la quantification des relations de volumes de transactions en retard, plus d'indicateurs saisonniers, d'autres variables de la microstructure du marché et des modèles nn et rnn plus sophistiqués.

Le lien vers l'original:https://alphaarchitect.com/2024/11/trading-volume/