Construção e implementação de portfólios de investimento com volume de negociação otimizado

Embora a otimização de portfólios geralmente se concentre em previsões de risco e retorno, o custo de implementação é fundamental. No entanto, a previsão de custos de transação é desafiadora, pois o maior componente para os grandes investidores é o impacto do preço, que depende do tamanho do negócio, do volume de outros comerciantes no qual os outros comerciantes estão e da identidade dos comerciantes, o que impede uma solução geral. Para resolver esse problema, em agosto de 2024, os autores do estudo de volume de transação Alphabet, Rusian Goyenko, Bryan Kelly, Tobias Moskowitz, Yinan Su Kelly e Chao Zhang, assumiram que o volume de transação é uma valiosa fonte de estimativa de custos de transação, assumindo que o tamanho do negócio é fixo e que o custo do negócio deve diminuir com a diminuição do volume de transações.

Primeiro, eles apontam que estudos anteriores (Frazzini, Israel e Moskowitz, 2018) mostraram que o tamanho do negócio, exceto o volume de negócios por dia (chamado de participação de mercado quantificada), é o principal impulsionador do custo, e que o efeito do preço é uma função incremental da participação. Portanto, quando o volume de negócios é menor e o tamanho do negócio não muda, o maior é o impacto do comerciante sobre o preço. Portanto, sob as mesmas condições, o maior volume de negócios previsto, o comerciante pode negociar mais, porque o impacto do preço por negócio é menor. Em contraste, o menor número de previsões leva o comerciante a negociar menos drasticamente, reduzindo o tamanho do negócio (talvez até zero), porque o preço por dólar tem mais impacto.

Em seguida, os autores apresentam modelos de aprendizado de máquina usados para prever o volume de negociações. Os modelos são baseados em redes neurais recursivas. Para prever o volume de negociações, eles usam sinais técnicos, como ganhos atrasados e ganhos atrasados, e características de empresas que captam ganhos anormais, que foram encontradas na literatura. Em seguida, eles adicionam indicadores de vários eventos em todo o mercado ou no nível da empresa relacionados à volatilidade do volume de negociações, incluindo relatórios de ganhos futuros e passados, e usam várias redes neurais para analisar métodos de previsão lineares e não lineares, com o objetivo de maximizar a previsibilidade fora da amostra.

Em seguida, os autores demonstraram como usar seu modelo para construir portfólios.

Para quantificar o significado econômico da previsão de volume de negociação, incorporamos a previsão de volume de negociação ao problema de racionalização de portfólios. Criamos um quadro de portfólio que usa a função de eficiência diferencial de paridade para maximizar o desempenho de custo líquido do portfólio, em que o custo de transação e a taxa de participação têm uma relação linear (inspirada em pesquisas teóricas e empíricas da literatura). Otimizamos os custos de transação contra as oportunidades de não negociação.

Da mesma forma, note que, na prática, quando o custo de negociação de um item é alto, a outra opção é negociar outra coisa. Por exemplo, se o custo de negociação de A for muito alto, um custo de negociação mais baixo B pode ser considerado. Isso pode ser melhor do que não negociar, geralmente muitos deles têm características semelhantes, portanto, os ganhos esperados também são semelhantes, e os fundos precisam negociar de vez em quando (por exemplo, razões de fluxo de caixa).

O seu período de amostragem é de 2018 a 2022, ou seja, 1.258 dias. A secção transversal abrange cerca de 4.700 espécies, com uma média de 3.500 por dia, ou um total de 4.400.000 observações.

Os modelos são capazes de prever com precisão os volumes de transações.

• Os custos de influência de preços (assumindo que o tamanho dos negócios seja fixo) têm uma relação linear com a participação, mas uma relação não linear com o volume de negócios. Um volume de negócios muito baixo significa que o custo de influência é exponencialmente alto, enquanto um volume de negócios muito alto significa que os custos podem ser negligenciados. As técnicas de aprendizado de máquina podem melhorar significativamente a capacidade de prever o volume de negócios, em parte porque a não-linearidade do volume de negócios e sua relação com o custo do negócio aumentam significativamente a precisão das previsões de volume de negócios.
• As grandes empresas têm maior precisão de previsão do que as pequenas empresas, e as pequenas empresas não só têm menor liquidez em média, mas também a liquidez é mais difícil de prever e a volatilidade é maior.
• Se o volume de transações for mantido inalterado, os custos de impacto no preço dos requerentes de liquidez são quase infinitos (observe que o provedor de liquidez é exatamente o contrário, por isso é importante negociar com paciência), enquanto os custos de impacto são quase nulos quando o volume de transações é maior.
• Quando o volume de negócios é baixo, as mudanças de previsão de volume de negócios têm um impacto econômico maior, resultando em um custo assimetrico de erro de previsão de volume. No entanto, o custo de oportunidade de acompanhar o erro ou não negociar não tem relação com o volume de negócios. A combinação desses dois efeitos significa que a punição da otimização do volume de negócios altamente avaliado é maior do que a punição do volume de negócios subestimado.
• Os custos de transação aumentam com o aumento do AUM, e a perda relativa de erro de rastreamento, reduzindo o custo de transação e o erro de rastreamento com o aumento do AUM. O melhor equilíbrio entre custos de transação e erro de rastreamento variará com o tamanho do portfólio, e o impacto econômico previsto para o volume de transações também variará. Para um AUM menor, o erro de rastreamento pode ser relativamente menos valioso do que os benefícios econômicos do custo de transação. Para um AUM maior, o custo de transação é predominante.
• Os fatores de maior volume de transações (por exemplo, momentum, reversão de curto prazo) beneficiam mais da otimização do portfólio, que é otimizado com base nas previsões de volume de transações, considerando os custos de transação esperados (ver gráfico).

Gráfico: Melhorias na média de rendimentos de cada portfólio de fatores implementados

A. Implementar combinações de fatores B. A média por grupo temático Cada ponto implementa um portfólio de fatores de JKP. O eixo y é a diferença entre a realização de rnn.econall e o lucro excedentário médio após o custo de ma5. O eixo x é a taxa de conversão do objetivo do portfólio de fatores (ou seja, a equação de xi,ttxt = x-1 15). O painel B é um cluster de estilo (ou seja, do JKP) com o ponto 0 em A como média.

O resultado é um resultado hipotético, não um indicador de resultados futuros, e não representa qualquer ganho real para o investidor. O índice não é gerenciado, não reflete taxas de gerenciamento ou transação, e os investidores não podem investir diretamente no índice.

• O valor alfa do volume de negociação é muito considerável. O valor alfa do volume de negociação é tão grande quanto o valor alfa do retorno descoberto. Por exemplo, para fundos de US $ 1 bilhão, a melhoria do desempenho do portfólio pós-coste pode ser até duas vezes maior do que o índice de Sharpe do retorno esperado ou do custo pós-transação, apenas com a previsão do volume de negociação e não usando indicadores de volume de negociação atrasado.

Os resultados da pesquisa levaram os autores a concluir:

Os volumes de negociação do alumínio são extremamente previsíveis, especialmente quando se utilizam tecnologias de aprendizagem de máquina, sinais de big data e aproveitam as vantagens da complexidade de previsão. Descobrimos que, para a realização de um portfólio de ótimos parâmetros-diferença após dedução dos custos de transação, a previsão de volume de negociação é tão valiosa quanto a previsão de rendimento. Descobrimos que incorporar diretamente a função de objetivos econômicos no aprendizado de máquina é mais eficaz para obter previsões úteis. Esta função pode ser aplicada a muitas aplicações financeiras do aprendizado de máquina, nas quais a incorporação direta de objetivos econômicos pode conduzir a um processo de dois passos, primeiro satisfazer um objetivo estatístico e, em seguida, incorporar objetos estatísticos no quadro econômico.

Resumo

O artigo "Trading Volume Alpha" é uma contribuição significativa para a literatura de volume de negociação. Os autores fornecem uma visão clara e concisa da literatura existente. Eles também propõem um novo modelo de aprendizado de máquina para a previsão de volume de negociação.

Buscar variáveis de previsão mais abrangentes e modelos de previsão de volume de negociação mais precisos podem trazer benefícios econômicos maiores do que os mostrados aqui. Alguns candidatos promissores de recursos e métodos adicionais incluem relações de volume de negociação mais atrasadas entre transações quantitativas, mais indicadores sazonais, outras variáveis de estrutura microscópica do mercado e modelos nn e rnn mais complexos.

O link original:https://alphaarchitect.com/2024/11/trading-volume/