거래량을 활용하여 포트폴리오를 구성하고 구현합니다.

포트폴리오 최적화는 일반적으로 위험과 수익 예측에 초점을 맞추고 있지만, 실행 비용은 중요합니다. 그러나 거래 비용을 예측하는 것은 대규모 투자자에게 가장 큰 구성 요소가 거래 규모, 거래 중 다른 거래자 및 거래자의 정체성에 따라 가격 영향이기 때문에 도전적입니다. 따라서 일반적인 솔루션을 방해합니다. 이 문제를 해결하기 위해, 8 월 2024 년의 연구 거래량 알파 의 저자인 Rusian Goyenko, Bryan Kelly, Tobias Moskowitz, Yinan Su Kelly, Chao Zhang은 거래량이 거래 비용의 추정의 귀중한 소스이며 거래 규모가 고정된 정보이며 거래 비용이 거래량 감소에 따라 정확해야한다고 가정합니다.

그들은 우선, 이전 연구 (프라치니, 이스라엘, 모스코비츠, 2018) 에 따르면 거래 규모가 일일 거래량 (약량 거래량이라고 불리는 시장 참여율) 에 비해 가격에 영향을 미치는 비용의 핵심 동력이며, 가격 영향은 참여율의 증가 함수라고 지적했다. 거래 규모가 변하지 않는 상태에서 거래량이 작을수록 거래자가 가격에 영향을 미치는 영향이 더 크다. 따라서 다른 조건과 동일한 상태에서 예측 거래량이 높을수록 거래자는 더 많은 금액을 거래할 수 있기 때문에 거래 당 가격 영향이 작을 것입니다. 반대로, 낮은 예측은 거래자의 거래가 덜 급격해지고 거래 규모가 0으로 줄어들 수 있습니다. 거래 당 달러 가격에 더 많은 영향을 미치기 때문입니다. 따라서, 그들의 전략은 예상 거래의 모든 종류를 예측하는 것으로 예상되는 거래 비용을 나타냅니다. 그리고 이러한 예측을 통해 이러한 투자 비용을 최적화 할 수 있습니다.

그 다음, 저자들은 거래량을 예측하기 위해 사용되는 기계 학습 모델을 소개한다. 그들의 모델은 회귀 신경망에 기반한다. 거래량을 예측하기 위해, 그들은 뒤늦은 수익과 뒤늦은 거래량을 비롯해 문헌에서 발견된 비정상적인 수익을 포착하는 회사 특성을 포함한 기술적 신호를 사용한다. 그들은 그 다음, 거래량 변동과 관련된 다양한 시장 범주 또는 회사 차원의 사건의 지표를 추가한다.

그 다음 저자들은 그들의 모델을 사용하여 포트폴리오를 구축하는 방법을 보여준다.

거래량 예측의 경제적 의미를 정량화하기 위해, 거래량 예측을 포괄적 합리화 문제로 통합하였다. 우리는 포괄적 프레임워크를 구축하여, 거래 비용과 참여율의 선형적인 관계를 갖는, 포괄적 순비 성과를 극대화하기 위한 평위-차차효율 함수를 사용하는 포괄적 프레임워크를 구축하였다. (문헌의 이론과 실증 연구로부터 영감을 얻었다). 최적화는 거래 비용과 거래하지 않는 기회에 대한 균형을 맞추었다. (비용?? 트레이드 비용을 최소화하고 오류를 최소화하여 비용 전 최우선 투자 포괄권에 도달하였다.

마찬가지로, 어떤 거래의 비용이 높을 때 다른 옵션이 다른 것을 거래하는 것이 현실에 있음을 주의하십시오. 예를 들어, A의 거래 비용이 너무 높으면 거래 비용이 낮을 수 있는 B를 고려할 수 있습니다. 이것은 거래하지 않는 것보다 더 좋을 수 있습니다. 일반적으로 그들 중 많은 사람들이 비슷한 특성을 가지고 있기 때문에 예상 수익도 비슷하며, 그리고 펀드는 때때로 거래가 필요합니다 (예를 들어, 현금 흐름의 이유).

그들의 샘플링 기간은 2018년부터 2022년까지 1,258일이다. 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 가로 세로 가로

그들의 모델은 다양한 거래량을 정확하게 예측할 수 있습니다.

• 가격 영향을 미치는 비용은 (거래 규모가 고정되어 있다고 가정하면) 참여율과 직선적 관계가 있지만 거래량과 비선형 관계가 있습니다. 매우 낮은 거래량은 영향을 미치는 비용이 지수적으로 높다는 것을 의미하며 매우 높은 거래량은 비용을 무시할 수 있음을 의미합니다. 기계 학습 기술은 거래량을 예측하는 능력을 크게 향상시킬 수 있습니다. 부분적으로 거래량의 비선형성과 거래 비용과의 관계로 인해 빅데이터가 거래량 예측의 정확성을 크게 향상시킵니다.
• 대기업의 예측 정확도는 작은 회사보다 높으며, 중소기업의 평균 유동성이 낮을 뿐만 아니라 유동성이 더 예측하기 어렵고 변동성이 더 크다.
• 거래 규모가 일정하게 유지되면 거래량이 0으로 증가하면 유동성 수요자의 가격 영향 비용은 거의 무한합니다. 유동성 공급자의 경우는 바로 반대입니다. 그렇기 때문에 인내 거래가 중요합니다. 거래량이 커지면 영향 비용은 거의 0으로 증가합니다.
• 거래량이 낮을 때 거래량 예측의 변화는 더 큰 경제적 영향을 미치며, 따라서 수량 예측 오류의 비대칭 비용이 발생한다. 그러나, 추적 오류 또는 거래하지 않는 기회 비용은 거래량과 관련이 없다. 이 두 가지 효과의 조합은 고평가 거래량에 대한 최적화 처벌이 저평가 거래량에 대한 처벌보다 더 크다는 것을 의미합니다. 과대 평가 거래량에는 과대 평가 거래량보다 더 높은 거래 비용이 발생한다. 소규모 거래량에는 거래 비용과 거래량 관계는 매우 희박하며, 거래량이 높을 때 비용과 거래량 관계는 평평하다.
• 거래 비용은 AUM의 증가에 따라 증가하고, 추적 오류의 상대적 손실은 AUM의 증가에 따라 감소하는 거래 비용과 추적 오류 사이의 최적의 균형은 포트폴리오의 크기에 따라 변화하며 거래량 예측의 경제적 영향도 달라질 것입니다. 작은 AUM의 경우, 추적 오류가 거래 비용의 주요 고려에 의해 예측되는 거래량의 경제적 이익에 비해 상대적으로 덜 가치가있을 수 있습니다. 큰 AUM의 경우 거래 비용 고려가 지배적입니다.
• 거래량이 높은 요소 (예를 들어, 동력, 단기 역전) 는 거래량 예측에 따라 예상 거래 비용을 고려한 포트폴리오 최적화로부터 더 많은 혜택을 받는다.

그래프: 각 요소 포트폴리오의 평균 수익 개선

A. 요인 조합을 구현 B. 주제 그룹 평균 각 포인트는 JKP 요인 포트폴리오를 구현한다. y축은 rnn.econall을 구현하고 ma5 이후의 비용의 평균 초과 수익의 차이이다. x축은 요인 포트폴리오 목표의 회전률이다 (즉 xi,ttxt = x-1의 방정식 15). B판은 스타일 클러스터 (JKP에서 나온) 에 따라 A의 포인트 0을 평균한다.

결과는 가상의 결과이며 미래의 결과의 지표가 아니며 투자자가 실제로 얻는 수익을 나타내지 않습니다. 지수는 관리되지 않으며 관리 또는 거래 비용을 반영하지 않으며 투자자는 지수에 직접 투자할 수 없습니다.

• 거래량 알파 값은 매우 괄목할 만하다. 거래량 알파 값은 투자 포트폴리오의 변칙적 개선과 발견 수익 알파 값만큼 크다. 예를 들어, 1억 달러의 자금에 대해, 거래량 예측에 의해서만 거래량 지연 지표가 사용되지 않고, 비용 미만의 투자 포트폴리오의 성과 개선의 규모는 예상 수익 또는 거래 비용 이후의 샤프 비율의 2배에 달할 수 있다. 유행한 재화 가격 요인에서는, 지연 지연 지연의 이동 평균을 사용하여 미래 거래, 비용 지연 수익률의 개선 범위를 20개 지점에서 100개 지점까지 예측한다.

그들의 연구 결과는 저자들이 결론을 내리는데 이르기를:

거래량은 특히 기계 학습 기술, 빅 데이터 신호, 그리고 예측 복잡성의 장점을 활용할 때 매우 예측가능하다. 우리는 거래량 예측이 수익 예측과 마찬가지로 거래량 예측이 거래 비용 미화 후 최적의 평균-차차 투자 포트폴리오를 구현하는 데 가치가 있다는 것을 발견했습니다. 우리는 경제 목표 함수를 직접 기계 학습에 포함시키는 것이 유용한 예측을 얻는 데 더 효과적이라는 것을 발견했습니다. 이 기능은 기계 학습의 많은 금융 응용 분야에 적용될 수 있습니다. 이 기능은 경제 목표를 직접 포함시키는 것이 두 단계의 프로세스를 주도할 수 있습니다. 즉, 먼저 어떤 통계 목표를 충족시키고, 그 다음 통계 대상을 경제 프레임에 포함합니다. 거래량 예측을 위해, 과대 평가와 저평가 거래 사이의 비대칭 비용은 경제 통계 목표에 의해 (사용) 잡히고, 상당한 경제적 영향을 미칩니다. 그들은 추가합니다. 예측의 개선 방법과 예측 모델의 심화를 통해 이러한 거래가 크게 향상될 수 있습니다.

요약

논문?? 트레이딩 볼륨 알파?? 은 거래량 문헌에 중요한 기여를 하였다. 저자는 기존 문헌을 명확하고 간결하게 정리하였다. 그들은 또한 거래량 예측을 위한 새로운 기계 학습 모델을 제시하였다. 그들의 발견은 양량 거래의 구조와 전략의 구현 방식을 완전히 바꿀 수 있다. 결론적으로 저자는 다음과 같이 지적하였다:

더 포괄적으로 예측 변수를 검색하고 거래량을 더 정확하게 예측하는 모델은 우리가 여기 보여준 것보다 더 큰 경제적 이점을 가져올 수 있다. 몇 가지 유망한 추가 기능과 방법 후보는 거래 사이의 양적 인 선두 미흡 거래량 관계, 더 많은 계절 지표, 다른 시장 미세 구조 변수, 그리고 더 복잡한 nn 및 rnn 모델이다.

이 글의 링크는:https://alphaarchitect.com/2024/11/trading-volume/