Pembinaan dan pelaksanaan portfolio yang dioptimumkan dengan menggunakan jumlah dagangan

Walaupun pengoptimuman portfolio biasanya memberi tumpuan kepada ramalan risiko dan pulangan, kos pelaksanaan adalah penting. Walau bagaimanapun, ramalan kos urus niaga adalah mencabar kerana bagi pelabur besar-besaran, komponen terbesar adalah kesan harga, yang bergantung kepada saiz urus niaga, jumlah dagangan yang lain yang terlibat, dan identiti pedagang, dan oleh itu menghalang penyelesaian umum. Untuk menyelesaikan masalah ini, pengarang kajian August 2024 mengenai jumlah dagangan Alpha-Run, Rusian Goyenko, Bryan Kelly, Tobias Moskowitz, Yinan Su dan Chao Zhang, mengandaikan bahawa jumlah dagangan adalah sumber yang berharga untuk menganggarkan kos urus niaga, mengandaikan bahawa saiz dagangan adalah maklumat tetap, dan kos urus niaga harus dikurangkan dengan penurunan jumlah dagangan.

Mereka mula-mula menyatakan bahawa kajian sebelumnya (Frazzini, Israel dan Moskowitz, 2018) menunjukkan bahawa saiz dagangan selain jumlah dagangan harian (disebut sebagai penyertaan pasaran dagangan kuantitatif) adalah pemacu utama kos yang mempengaruhi harga, dan kesan harga adalah fungsi peningkatan kadar penyertaan. Oleh itu, dengan jumlah dagangan yang lebih kecil, pedagang mempunyai kesan harga yang lebih besar. Oleh itu, dengan jumlah dagangan yang lebih tinggi yang diramalkan, pedagang dapat memperdagangkan lebih banyak jumlah dagangan, kerana kesan harga setiap dagangan akan lebih kecil. Sebaliknya, ramalan yang lebih rendah akan menyebabkan pedagang berdagang kurang radikal, mengurangkan saiz dagangan (mungkin bahkan menjadi sifar), kerana harga setiap dolar akan memberi kesan lebih banyak. Oleh itu, strategi mereka adalah meramalkan setiap jenis dagangan sebagai kumpulan yang mewakili kos dagangan yang diramalkan, dan kemudian mengamalkan untuk mengoptimumkan kos pelaburan ini, dengan mengecualikan jumlah dagangan yang lebih rendah, dan mungkin cuba mengutip kos dagangan mereka secara langsung.

Penulis kemudiannya memperkenalkan model pembelajaran mesin yang digunakan untuk meramalkan jumlah dagangan. Model mereka adalah berdasarkan rangkaian saraf berulang. Untuk meramalkan jumlah dagangan, mereka menggunakan isyarat teknikal, seperti keuntungan yang tertunda dan jumlah dagangan yang tertunda, serta ciri-ciri syarikat yang menangkap keuntungan yang tidak biasa yang dijumpai dalam literatur. Mereka kemudian menambah pelbagai indikator pasaran atau peristiwa peringkat syarikat yang berkaitan dengan turun naik jumlah dagangan, termasuk laporan pendapatan yang akan dikeluarkan dan masa lalu, dan menggunakan pelbagai rangkaian saraf untuk menganalisis kaedah ramalan linear dan non-linear untuk memaksimumkan prediktiviti di luar sampel. Akhirnya, mereka meramalkan fungsi sasaran/kerugian rangkaian saraf untuk mempertimbangkan matlamat ekonomi portfolio ketika meramalkan masalah jumlah dagangan.

Penulis kemudian menunjukkan bagaimana menggunakan model mereka untuk membina portfolio.

Untuk mengukur kepentingan ekonomi ramalan jumlah dagangan, kami memasukkan ramalan jumlah dagangan ke dalam masalah rasionaliti portfolio. Kami membina rangka kerja portfolio yang bertujuan untuk memaksimumkan prestasi kos bersih portfolio dengan menggunakan fungsi kesesuaian-perbezaan-efektiviti, di mana kos urus niaga dan kadar penyertaan mempunyai hubungan linear (diilhamkan oleh kajian teori dan bukti bukti dalam literatur). Optimum menyeimbangkan kos urus niaga dengan peluang untuk tidak berdagang. Kos-kualiti meminimumkan kos urus niaga dan meminimumkan ralat untuk mencapai portfolio yang paling baik sebelum kos; di mana kos urus niaga dan ralat ralat adalah berkaitan secara negatif dalam portfolio; dalam model ini, kami mengandaikan bahawa rentang pendapatan dan rentang kedua diberikan, dan hanya mempertimbangkan pertimbangan antara kos urus niaga dan kos ralat ralat dalam portfolio yang paling baik sebelum kos.

Begitu juga, perhatikan bahawa dalam praktiknya, apabila kos urus niaga sesuatu adalah tinggi, pilihan lain adalah untuk berdagang sesuatu yang lain. Sebagai contoh, jika kos urus niaga A terlalu tinggi, kos urus niaga B yang lebih rendah boleh dipertimbangkan. Ini mungkin lebih baik daripada tidak berdagang, biasanya mereka mempunyai banyak ciri yang serupa, oleh itu, pulangan yang dijangkakan juga serupa, dan dana perlu berdagang dari semasa ke semasa (misalnya, sebab aliran tunai).

Tempoh sampel mereka adalah dari tahun 2018 hingga 2022, iaitu 1,258 hari. Perbezaan melintang merangkumi kira-kira 4,700 spesies, dengan purata 3,500 spesies setiap hari, atau sejumlah 4,400,000 pemerhatian. Berikut adalah ringkasan beberapa penemuan utama mereka:

Model mereka dapat meramalkan jumlah dagangan yang berbeza dengan tepat.

• Kos kesan harga (mengandaikan saiz urus niaga adalah tetap) mempunyai hubungan linear dengan kadar penyertaan, tetapi tidak linear dengan jumlah urus niaga. Jumlah urus niaga yang sangat rendah bermaksud kos kesan adalah tinggi secara indeks, sementara jumlah urus niaga yang sangat tinggi bermaksud kos tidak dapat diabaikan. Teknik pembelajaran mesin dapat meningkatkan keupayaan untuk meramalkan jumlah urus niaga dengan ketara, sebahagiannya disebabkan oleh ketidakleruan jumlah urus niaga dan hubungannya dengan kos urus niaga. Data besar meningkatkan dengan ketara ketepatan ramalan jumlah urus niaga.
• Syarikat-syarikat besar lebih tepat daripada syarikat-syarikat kecil. Syarikat-syarikat kecil tidak hanya mempunyai kadar kecairan yang lebih rendah, tetapi juga lebih sukar untuk meramalkan kadar kecairan dan lebih besar.
• Jika saiz urus niaga kekal sama, kos kesan harga pemohon kecairan adalah hampir tidak berkesudahan apabila jumlah urus niaga mendekati sifar (perhatikan bahawa pembekal kecairan adalah sebaliknya, itulah sebabnya perdagangan bersabar adalah penting) dan kos kesan hampir sifar apabila jumlah urus niaga meningkat.
• Apabila jumlah dagangan rendah, perubahan ramalan jumlah dagangan mempunyai kesan ekonomi yang lebih besar, yang menyebabkan kos tidak selari dari kesilapan ramalan kuantitatif. Walau bagaimanapun, kos peluang untuk mengikuti kesilapan atau tidak berdagang tidak berkaitan dengan jumlah dagangan. Gabungan kedua-dua kesan ini bermaksud bahawa hukuman untuk mengoptimumkan jumlah dagangan yang dinilai tinggi lebih besar daripada hukuman untuk jumlah dagangan yang dinilai rendah.
• Kos urus niaga meningkat dengan peningkatan AUM, kerugian perbandingan kesilapan penjejakan yang mengurangkan kos urus niaga dan kesilapan penjejakan dengan peningkatan AUM akan berubah mengikut saiz portfolio, dan kesan ekonomi yang diramalkan untuk jumlah urus niaga juga akan berbeza. Untuk AUM yang lebih kecil, kesalahan penjejakan yang mempertimbangkan kos urus niaga utama mungkin kurang bernilai berbanding dengan faedah ekonomi untuk jumlah urus niaga yang diramalkan. Untuk AUM yang lebih besar, pertimbangan kos urus niaga menjadi dominan.
• Faktor-faktor yang mempunyai jumlah dagangan yang lebih tinggi (misalnya, momentum, pembalikan jangka pendek) lebih mendapat manfaat daripada pengoptimuman portfolio yang mengoptimumkan portfolio berdasarkan ramalan jumlah dagangan untuk mengambil kira kos dagangan yang dijangkakan (lihat carta).

Grafik: Peningkatan purata pendapatan untuk setiap portfolio faktor

A. Melakukan kombinasi faktor B. Purata mengikut kumpulan tema Setiap titik melaksanakan portfolio faktor JKP. Y-axis adalah perbezaan antara purata keuntungan yang berlebihan selepas pelaksanaan rnn.econall dan ma5 kos. X-axis adalah kadar perputaran sasaran portofolio faktor (iaitu persamaan xi,ttxt = x-1 15). Panel B adalah kumpulan gaya (dari JKP) untuk rata-rata titik 0 di A.

Hasilnya adalah hasil hipotesis, bukan penunjuk hasil masa depan, dan tidak mewakili apa-apa keuntungan yang sebenarnya diperoleh oleh pelabur. Indeks tidak dikendalikan, tidak mencerminkan bayaran pengurusan atau urus niaga, dan pelabur tidak boleh melabur secara langsung dalam indeks.

• Nilai alpha jumlah dagangan adalah sangat besar. Nilai alfa jumlah dagangan adalah peningkatan marginal pada portfolio yang sama besar dengan nilai alfa pengembalian yang dijumpai. Sebagai contoh, untuk dana $ 1 bilion, peningkatan prestasi portfolio selepas kos dikurangkan boleh mencapai dua kali ganda kadar Sharpe selepas pendapatan yang dijangkakan atau kos dagangan. Dalam faktor penentuan harga aset yang popular, penggunaan purata bergerak dalam jumlah dagangan yang tertunda untuk meramalkan peningkatan kadar dagangan masa depan, kos selepas kos, dan lain-lain, berkisar dari 20 titik asas hingga 100 titik asas.

Hasil kajian mereka membawa penulis kepada kesimpulan:

Jumlah dagangan yang terhad adalah sangat prediktif, terutamanya apabila menggunakan teknologi pembelajaran mesin, isyarat data besar, dan memanfaatkan kelebihan kerumitan ramalan. Kami mendapati bahawa dalam mencapai portfolio nilai rata-rata terbaik selepas potongan kos dagangan, ramalan jumlah dagangan adalah sama berharga dengan ramalan pendapatan. Kami mendapati bahawa memasukkan fungsi sasaran ekonomi secara langsung ke dalam pembelajaran mesin lebih berkesan untuk mendapatkan ramalan yang berguna. Fungsi ini mungkin digunakan untuk banyak aplikasi kewangan pembelajaran mesin, di mana memasukkan sasaran ekonomi secara langsung mungkin memandu proses dua langkah, iaitu terlebih dahulu memenuhi sasaran statistik tertentu, dan kemudian memasukkan objek statistik ke dalam rangka ekonomi.

Ringkasan

Makalah ini memberikan sumbangan besar kepada literatur kuantiti dagangan. Penulis memberikan gambaran ringkas dan jelas mengenai literatur yang ada. Mereka juga mengemukakan model pembelajaran mesin baru untuk meramalkan jumlah dagangan. Penemuan mereka berpotensi mengubah cara pembinaan dan pelaksanaan strategi dagangan kuantitatif.

Mencari pembolehubah ramalan yang lebih komprehensif dan model ramalan jumlah dagangan yang lebih tepat mungkin membawa manfaat ekonomi yang lebih besar daripada yang ditunjukkan di sini. Beberapa calon ciri dan kaedah tambahan yang menjanjikan termasuk hubungan jumlah dagangan yang tertinggal antara dagangan kuantitatif, lebih banyak penunjuk bermusim, pembolehubah struktur mikro pasaran lain, dan model nn dan rnn yang lebih kompleks.

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