Membangun dan mengimplementasikan portofolio yang dioptimalkan dengan volume transaksi

Meskipun optimasi portofolio biasanya berfokus pada prediksi risiko dan pengembalian, biaya pelaksanaan sangat penting. Namun, biaya transaksi yang diprediksi menantang, karena bagi investor besar-besaran, komponen terbesarnya adalah dampak harga, yang tergantung pada ukuran transaksi, volume transaksi dari pedagang lain di dalamnya, dan identitas pedagang, sehingga menghalangi solusi umum. Untuk mengatasi masalah ini, penulis studi Agustus 2024 Volume Perdagangan Alphabet, Rusian Goyenko, Bryan Kelly, Tobias Moskowitz, Yinan Su, dan Chao Zhang, mengasumsikan bahwa volume transaksi adalah sumber yang berharga untuk memperkirakan biaya transaksi, mengasumsikan bahwa ukuran transaksi adalah informasi tetap, dan biaya transaksi harus turun seiring dengan penurunan volume transaksi.

Mereka pertama-tama menunjukkan bahwa penelitian sebelumnya (Frazzini, Israel, dan Moskowitz, 2018) menunjukkan bahwa ukuran transaksi selain jumlah transaksi harian (disebut partisipasi pasar dalam transaksi kuantitatif) adalah pendorong kunci dari biaya yang mempengaruhi harga, dan bahwa pengaruh harga adalah fungsi progresif dari tingkat partisipasi. Dengan jumlah transaksi yang tidak berubah, jumlah transaksi yang lebih sedikit, pedagang akan lebih banyak mempengaruhi harga. Oleh karena itu, dengan jumlah transaksi yang diprediksi yang lebih tinggi, pedagang dapat memperdagangkan lebih banyak jumlah, karena dampak harga per transaksi akan lebih kecil. Sebaliknya, prediksi yang lebih rendah akan menyebabkan perdagangan pedagang menjadi kurang radikal, mengurangi ukuran transaksi (mungkin bahkan menjadi nol), karena harga per dolar akan lebih banyak mempengaruhi volume transaksi. Oleh karena itu, strategi mereka adalah memprediksi setiap transaksi sebagai kombinasi dari biaya transaksi yang diprediksi, yang mewakili biaya transaksi yang diprediksi, dan kemudian mencoba untuk mengoptimalkan biaya investasi yang diprediksi ini, dengan asumsi bahwa jumlah transaksi yang lebih rendah, dan ketika mereka mencoba untuk mengamati biaya transaksi yang lebih rendah, mereka mungkin akan mengurangi biaya transaksi mereka secara diam-diam.

Selanjutnya, para penulis memperkenalkan model pembelajaran mesin yang digunakan untuk memprediksi volume perdagangan. Model mereka didasarkan pada jaringan saraf regresif. Untuk memprediksi volume perdagangan, mereka menggunakan sinyal teknis, seperti laba tertunda dan laba tertunda, serta karakteristik perusahaan yang menangkap laba yang tidak biasa yang ditemukan dalam literatur. Mereka kemudian menambahkan indikator dari berbagai acara tingkat pasar atau perusahaan yang terkait dengan fluktuasi volume perdagangan, termasuk laporan laba yang akan dirilis dan masa lalu, dan menggunakan berbagai jaringan saraf untuk menganalisis metode prediksi linear dan non-linear untuk memaksimalkan prediktivitas di luar sampel secara online.

Kemudian penulis menunjukkan bagaimana menggunakan model mereka untuk membangun portofolio.

Untuk mengkuantifikasi arti ekonomi dari perkiraan volume transaksi, kami memasukkan perkiraan volume transaksi ke dalam masalah rasionalitas portofolio. Kami membangun kerangka kerja portofolio yang bertujuan untuk memaksimalkan kinerja biaya bersih portofolio dengan menggunakan fungsi rata-rata-perbedaan-efisiensi, di mana biaya transaksi memiliki hubungan linear dengan tingkat partisipasi (diilhamkan oleh penelitian teoritis dan empiris dalam literatur). Optimasi menyeimbangkan biaya transaksi dengan peluang tidak melakukan transaksi.

Demikian pula, perhatikan bahwa dalam praktiknya, ketika biaya transaksi suatu item sangat tinggi, pilihan lain adalah untuk memperdagangkan sesuatu yang lain. Misalnya, jika biaya transaksi A terlalu tinggi, biaya transaksi B yang lebih rendah dapat dipertimbangkan. Ini mungkin lebih baik daripada tidak berdagang, biasanya banyak dari mereka memiliki karakteristik yang sama, sehingga harapan keuntungan juga serupa, dan dana perlu diperdagangkan dari waktu ke waktu (misalnya, karena arus kas).

Periode sampel mereka adalah dari 2018 hingga 2022, yaitu 1.258 hari. Permukaan lintas mencakup sekitar 4.700 spesies, rata-rata 3.500 spesies per hari, atau total 4.400.000 observasi. Berikut adalah ringkasan dari beberapa temuan utama mereka:

Model mereka dapat memprediksi volume transaksi yang berbeda dengan sangat akurat.

• Biaya dampak harga (asumsikan ukuran transaksi tetap) memiliki hubungan linier dengan tingkat partisipasi, tetapi hubungan non-linier dengan volume transaksi. Jumlah transaksi yang sangat rendah berarti biaya dampaknya sangat tinggi secara indeks, sedangkan volume transaksi yang sangat tinggi berarti biaya dapat diabaikan. Teknologi pembelajaran mesin dapat secara signifikan meningkatkan kemampuan untuk memprediksi volume transaksi, sebagian karena non-linearitas volume transaksi dan hubungannya dengan biaya transaksi.
• Perusahaan besar memiliki akurasi yang lebih tinggi daripada perusahaan kecil. Perusahaan kecil tidak hanya memiliki tingkat likuiditas yang lebih rendah, tetapi juga likuiditas yang lebih sulit diprediksi dan lebih besar.
• Jika volume transaksi tetap sama, biaya dampak harga dari pemohon likuiditas hampir tak ada habisnya (perhatikan, hal yang sama terjadi pada penyedia likuiditas, itulah mengapa perdagangan dengan sabar penting), sedangkan biaya dampak mendekati nol ketika volume transaksi semakin besar.
• Ketika volume transaksi rendah, perubahan dalam prediksi volume transaksi memiliki dampak ekonomi yang lebih besar, sehingga menyebabkan biaya asimetris dari kesalahan prediksi kuantitatif. Namun, biaya kesempatan untuk melacak kesalahan atau tidak bertransaksi tidak terkait dengan volume transaksi. Kombinasi kedua efek ini berarti bahwa hukuman untuk mengoptimalkan volume transaksi yang dinilai tinggi lebih besar daripada hukuman untuk volume transaksi yang dinilai rendah.
• Biaya transaksi meningkat seiring dengan peningkatan AUM, dan kerugian relatif dari kesalahan pelacakan menurun seiring dengan meningkatnya AUM. Perimbangan optimal antara biaya transaksi dan kesalahan pelacakan akan berubah seiring dengan ukuran portofolio, dan dampak ekonomi dari proyeksi volume transaksi akan berbeda. Untuk AUM yang lebih kecil, kesalahan pelacakan yang terutama mempertimbangkan biaya transaksi mungkin relatif kurang berharga. Untuk AUM yang lebih besar, pertimbangan biaya transaksi dominan.
• Faktor-faktor dengan volume transaksi yang lebih tinggi (misalnya momentum, reversal jangka pendek) lebih banyak mendapat manfaat dari optimasi portofolio, yang dioptimalkan berdasarkan perkiraan volume transaksi untuk mempertimbangkan biaya transaksi yang diharapkan (lihat grafik).

Grafik: Peningkatan rata-rata laba dari setiap portofolio faktor

A. Mengimplementasikan kombinasi faktor B. Rata-rata berdasarkan cluster tema Setiap titik menerapkan portofolio faktor JKP. Y-axis adalah perbedaan antara implementasi rnn.econall dan biaya rata-rata laba atas biaya ma5. X-axis adalah tingkat perputaran dari target portofolio faktor (misalnya, persamaan xi,ttxt = x-1 15). Panel B rata-rata titik 0 di A berdasarkan gaya cluster (misalnya, dari JKP).

Hasil adalah hasil hipotesis, bukan indikator hasil masa depan, dan tidak mewakili keuntungan yang sebenarnya diperoleh investor. Indeks tidak dikelola, tidak mencerminkan biaya manajemen atau transaksi, dan investor tidak dapat berinvestasi secara langsung dalam indeks.

• Nilai alpha volume yang diperdagangkan sangat besar. Nilai alfa volume yang diperdagangkan adalah peningkatan marginal pada portofolio yang sama besarnya dengan nilai alfa pengembalian yang ditemukan. Misalnya, untuk dana US$ 1 miliar, peningkatan kinerja portofolio setelah biaya dikurangi dapat mencapai dua kali lipat dari rasio Sharpe dari hasil yang diharapkan atau biaya setelah transaksi. Dalam faktor penentuan harga aset yang populer, penggunaan rata-rata bergerak dari hasil transaksi yang tertunda untuk memprediksi peningkatan rasio perdagangan masa depan, biaya setelah biaya, dll. Dari kisaran 20 basis point hingga 100 basis point.

Hasil penelitian mereka membuat penulis menyimpulkan:

Volume perdagangan yang sangat prediktif, terutama ketika menggunakan teknologi pembelajaran mesin, sinyal data besar, dan memanfaatkan keunggulan kompleksitas prediksi. Kami menemukan bahwa dalam mencapai portofolio nilai rata-rata optimal setelah mengurangi biaya transaksi, prediksi volume perdagangan sama berharga dengan prediksi laba. Kami menemukan bahwa memasukkan fungsi tujuan ekonomi secara langsung ke dalam pembelajaran mesin lebih efektif untuk mendapatkan prediksi yang berguna. Fungsi ini mungkin berlaku untuk banyak aplikasi keuangan pembelajaran mesin, di mana memasukkan tujuan ekonomi secara langsung dapat memandu proses dua langkah, yaitu terlebih dahulu memenuhi tujuan statistik tertentu, dan kemudian memasukkan objek statistik ke dalam kerangka ekonomi.

Pengamatan

Makalah ini memberikan kontribusi yang signifikan terhadap literatur volume perdagangan. Penulis memberikan gambaran yang jelas dan ringkas tentang literatur yang ada. Mereka juga mengemukakan model pembelajaran mesin baru yang digunakan untuk memprediksi volume perdagangan. Penemuan mereka berpotensi mengubah cara konstruksi dan pelaksanaan strategi perdagangan kuantitatif.

Mencari variabel yang lebih komprehensif dan model yang lebih akurat untuk memprediksi volume perdagangan mungkin memberikan manfaat ekonomi yang lebih besar daripada yang kami tunjukkan di sini. Beberapa kandidat fitur dan metode tambahan yang menjanjikan termasuk hubungan volume perdagangan yang tertinggal antara transaksi kuantitatif, lebih banyak indikator musiman, variabel struktur mikro pasar lainnya, dan model nn dan rnn yang lebih kompleks.

Link asli:https://alphaarchitect.com/2024/11/trading-volume/