取引量を活用して投資ポートフォリオの構築と実施

ポートフォリオ最適化は通常リスクと収益予測に焦点を当てているが,実行コストは重要である.しかし,取引コストの予測は,大規模な投資家にとって価格の影響が最大の構成要素であるため,大きな課題である.これは取引規模,他のトレーダーの取引量,およびトレーダーの個性によって左右されるため,汎用的な解決策を阻害する.この問題を解決するために,2024年8月の研究"取引量アルファパック"の著者ルシアン・ゴエンコ,ブライアン・ケリー・トビアス・モスコウィッツ,イナン・スー,チャオ・ジャングは,取引量は取引コストの推定の貴重な情報源であると仮定し,取引量は固定され,取引コストは取引量低下とともに正確にならなければならないと仮定した.

彼らはまず,前回の研究 (Frazzini,Israel,Moskowitz,2018) が,取引規模を毎日の取引量 (定量化取引と呼ばれる市場参加率) に除くと,価格に影響するコストの重要な推進因子であり,価格の影響は参加率の増加関数であることを示している.取引量が少なく,取引量が変化しない場合,取引者は価格に影響を及ぼします.したがって,他の条件と同じ条件下,予測される取引量が高くなるほど,取引者はより多くの金額を取引することができます.それどころか,低い予測は,取引者の取引がそれほど激しくなく,取引規模をゼロに縮小させることもできます.したがって,彼らの戦略は,各取引を予測し,予測される取引コストを代表する組み合わせとして,これらの投資コストを予測して最適化しようと試みる.

その後,著者は取引量予測に使用される機械学習モデルを紹介した. 彼らのモデルは回帰神経ネットワークに基づいた. 取引量予測のために,彼らは遅れの収益と遅れの取引量などの技術信号,および文献で発見された異常な収益を捕獲する企業の特徴を使用した. その後,彼らは取引量変動に関連する様々な市場範囲または企業レベルのイベントの指標を追加し,即日発行および過去の収益報告を含む,そしてさまざまな神経ネットワークを使用して線形および非線形予測方法を分析し,サンプル外の予測性を最大限に高めるためにオンラインを変えた. 最後に,彼らは取引量問題を予測する際に投資ポートフォリオの経済的目標を考慮するために,神経ネットワークの目標/損失関数を予測した.

ポートフォリオを構築するために,彼らのモデルを使用する方法を示した.

取引量予測の経済的意味を定量化するために,取引量予測をファンド合理化問題に組み込む. 取引量予測は,取引コストと参加率が線形的な関係にある (文献の理論と実証研究からインスピレーションを受けた) ポートフォリオの純コストパフォーマンスを最大限に高めるために,均等差効率関数を使用するポートフォリオフレームワークを構築した. 取引コストと非取引の機会をバランスする最適化. 取引コストを最小限に抑え,誤差を最小限に抑え,コスト前最優先投資ポートフォリオに到達する. 取引コストと追跡誤差が負に関連している取引コストと追跡誤差が最優先投資ポートフォリオの間でバランスされる. このモデルでは,収益階層と第2階層が与えられたと仮定し,取引コストと追跡誤差のコストのみを考慮する.

同様に,ある項目の取引コストが高い場合,他の項目を取引する選択肢があることに注意してください.例えば,Aの取引コストが非常に高い場合,取引コストが低いBを考慮することができます.これは取引しないよりも優れている可能性があります.通常,それらの多くは類似した特性を有し,したがって期待される収益も類似しています.また,基金は時々取引を必要とします (例えば,キャッシュフローの理由).

彼らのサンプリング期間は,2018年から2022年,すなわち1,258日である.横断截面は約4,700種をカバーし,毎日平均3,500種,または合計4,400,000の観測値である. 以下は,彼らの主要な発見の一部を要約している.

このモデルでは,様々な取引量を正確に予測できます.

• 価格影響コスト (取引規模が固定されていると仮定する) は参加率と線形関係だが,取引量と非線形関係である.非常に低い取引量は影響コストが指数的に高いことを意味し,非常に高い取引量はコストを無視することを意味する.機械学習技術は取引量の予測能力を著しく向上させることができる.これは部分的に取引量の非線形と取引コストとの関係性によるものであり,ビッグデータによって取引量の予測の精度が著しく向上している.
• 大企業の予測精度は小企業の予測精度より高い.小企業の予測精度は平均的に低いだけでなく,予測が難しく,波動性が高い.
• 取引量は変化しない場合,取引量がゼロに近づくにつれて,流動性の需要者の価格影響コストはほぼ無限である (注意,流動性の提供者の場合は正反対である.それゆえ,忍耐的な取引が重要である).取引量が大きくなるにつれて,影響コストはほぼゼロである.
• 取引量が低いとき,取引量予測の変化は大きな経済的影響を持ち,その結果,数値予測誤差の不均衡コストが生じる.しかし,誤差を追跡する,または取引しない機会コストは取引量とは無関係である.この2つの効果の組み合わせは,高評価取引量に対する最適化の罰が低評価取引量に対する罰よりも大きいことを意味する.高評価取引量において取引量過剰取引のコストは,低評価取引量において取引量過剰取引のコストよりも高い.少量取引量において取引コストと取引量との関係は非常に薄い,高評価取引量において費用と取引量との関係は平坦である.
• 取引コストはAUMの増加とともに増加し,追跡誤差の相対損失はAUM増加とともに減少し,取引コストと追跡誤差の最適なバランスは,ポートフォリオの規模によって変化し,取引量予測の経済的影響も異なる.小規模なAUMでは,トラッキング誤差は主に取引コストを考慮し,予測取引量の経済的利益は比較的価値が低くなる可能性がある.大規模なAUMでは,取引コストの考慮が優勢である.
• 取引量が高い要因 (例えば動力,短期逆転) は,取引量予測に基づいて予想される取引コストを考慮したポートフォリオ最適化からより利益を得る.

グラフ: 各ファクターポートフォリオの平均収益の改善

A. 各要素の組み合わせを実行する B. 主題群の平均 各ポイントはJKP因子ポートフォリオを実行する. y軸は実行 rnn.econallとma5後のコストの平均余剰利益の差である. x軸は因子ポートフォリオ目標の周回率である (x,ttxt = x-1の等式15). パネルBはスタイル集群 (JKPから) で点Aの0を平均する.

結果は仮定の結果であり,将来の結果の指標ではなく,投資家にとって実際に得られる利益を代表するものではない.指標は管理されず,管理または取引費を反映せず,投資家は直接指数に投資することはできません.

• 取引量アルファ値は非常に顕著である.取引量アルファ値は,投資ポートフォリオの利回りアルファ値と同程度に高い.例えば,10億ドルの資金では,取引量予測だけで,遅れの取引量指標を使用することなく,コストを控除した投資ポートフォリオの業績改善幅は,期待された収益または取引後のコストのシャープ比率の2倍に達する可能性がある.主流の資産価格設定では,遅れの取引の移動平均線を使用して,将来の取引,コスト後の収益率の改善範囲を20基点から100基点まで予測する.

この研究結果は,著者が以下のように結論づけています.

取引量は非常に予測可能であり,特に機械学習技術,ビッグデータ信号,予測の複雑性の利点を利用する際に非常に予測可能である.取引コストを控除した最適均等差差投資ポートフォリオを実現する際に,取引量は収益予測と同じくらい価値があると我々は発見した.この機能は,機械学習の多くの金融アプリケーションに適用される可能性がある.この機能は,経済目標を直接導入することで,2段階的なプロセスを主導する可能性がある.つまり,まずある統計目標を満たし,次に統計対象を経済枠組みに組み込む.取引量の予測では,高額評価と低額評価の間の格差コストが経済統計目標によって (無視され) 捉えられ,かなりの経済効果をもたらす.彼らは付け加えた:"値予測の改善方法と予測モデルの深化によって,これらの取引が大幅に改善される可能性がある".

概要

論文『Trading Volume Alpha』は取引量文献への重要な貢献である.著者は既存の文献を明確に簡潔に概説している.また,取引量予測のための新しい機械学習モデルも提案している.彼らの発見は,量化取引の構築方法と戦略の実施方法を根本的に変える可能性がある.結論として,著者は次のように述べている.

予測変数をより包括的に検索し,取引量をより正確に予測するモデルは,ここで示したよりも大きな経済的利益をもたらす可能性がある. いくつかの有望な追加機能と方法候補は,取引間の先行遅延取引量関係を量化すること,より多くの季節指標,他の市場微細構造変数,およびより複雑な nn と rnn モデルを含む.

ブログの記事へのリンク:https://alphaarchitect.com/2024/11/trading-volume/