Построение и реализация портфелей с использованием оптимального объема торговли

Хотя оптимизация портфеля обычно фокусируется на прогнозировании риска и прибыли, затраты на его реализацию имеют решающее значение. Однако прогнозирование затрат на сделки является сложным, поскольку для крупных инвесторов наибольшая составляющая - это влияние цены, которое зависит от размера сделки, объема других трейдеров в ней и личности трейдеров, что препятствует универсальному решению. Чтобы решить эту проблему, в августе 2024 года авторы исследования "Альфа-камеры" Русиан Гойенко, Брайан Келли, Тобиас Московиц, Инан Су и Чао Чжан предположили, что объем сделки является ценным источником оценки затрат на сделку, и предположили, что объем сделки фиксирован, и что стоимость сделки должна снижаться по мере снижения объема сделки.

Они отмечают, в первую очередь, что предыдущие исследования (Frazzini, Israel и Moskowitz, 2018) показывают, что размер сделки в отличие от количества ежедневных сделок (так называемый количественный уровень участия рынка) является ключевым драйвером затрат, влияющих на цену, а влияние цены является нарастающей функцией участия. Таким образом, при неизменном количестве сделок меньший объем сделок влияет на цену трейдеров. Таким образом, при тех же условиях, чем больше прогнозируемый объем сделок, трейдеры могут торговать большей суммой, потому что ценовой эффект от каждой сделки будет меньше.

Затем авторы представляют модели машинного обучения, используемые для прогнозирования объемов сделок. Их модели основаны на рекурсивных нейронных сетях. Для прогнозирования объемов сделок они используют технические сигналы, такие как задержка прибыли и задержка объемов сделок, а также характеристики компаний, которые получают прибыль, обнаруженные в литературе. Затем они добавляют различные показатели на рынке или на уровне компании, связанные с колебаниями объемов сделок, включая предстоящие и прошлые отчеты о прибыли, и используют различные нейронные сети, которые анализируют линейные и нелинейные методы прогнозирования, чтобы максимально повысить предсказуемость вне выборки.

Затем авторы продемонстрировали, как использовать свою модель для построения портфеля.

Для того, чтобы измерить экономическое значение прогнозов объемов сделок, мы включили прогноз объемов сделок в проблему рационализации портфеля. Мы создали структуру портфеля, которая использует функцию эффективности-дифференциации для максимального повышения чистых затрат на портфель, в которой затраты на сделки и доли участия имеют линейную связь (вдохновленные теоретическими и фактическими исследованиями в литературе). Оптимизация взвешивает затраты на сделки с возможностью отсутствия сделки.

Точно так же обратите внимание, что в практике, когда затраты на одну вещь очень высоки, другой вариант заключается в том, чтобы торговать чем-то другим. Например, если затраты на одну вещь слишком высоки, можно рассмотреть затраты на другую вещь с более низкой стоимостью. Это может быть лучше, чем не торговать. Обычно многие из них имеют схожие характеристики, поэтому ожидаемый доход также похож, и фонды время от времени нуждаются в торговле (например, из-за денежного потока).

Их период выборки - с 2018 по 2022 год, то есть 1 258 дней. Полоса охватывает около 4700 видов, в среднем 3500 видов в день, или в общей сложности 4 400 000 наблюдений. Ниже приведены некоторые из их основных открытий:

Их модели могут точно предсказывать различные объемы сделок.

• Затраты на влияние цены (при условии, что размер сделки фиксирован) имеют линейную связь с участием, но нелинейную связь с объемом сделок. Очень низкие объемы сделок означают, что затраты на влияние являются индексированными, а очень высокие объемы сделок означают, что затраты могут быть игнорированы.
• Большие компании предсказывают с большей точностью, чем малые, а малые компании не только имеют в среднем более низкую ликвидность, но и труднее предсказывать ликвидность, а волатильность больше.
• Если размер сделки остается неизменным, то затраты на влияние цены на тех, кто нуждается в ликвидности, почти бесконечны, поскольку объем сделок приближается к нулю. (Примечание: в случае с поставщиками ликвидности происходит прямо противоположное, поэтому важно вести терпеливую торговлю), а когда объем сделок увеличивается, затраты на влияние приближаются к нулю.)
• Когда объем торгов меньше, изменение прогноза объема торгов имеет большие экономические последствия, что приводит к асимметричным затратам на ошибки количественного прогноза. Однако, затраты на возможность отслеживания ошибок или неторговли не связаны с объемом торгов. Сочетание этих двух эффектов означает, что наказание за оптимизацию высокооцененного объема торгов больше, чем наказание за низкооцененный объем торгов.
• Стоимость сделки увеличивается с увеличением AUM, а соотношение потерь от отслеживания ошибок с увеличением AUM и снижением отслеживания ошибок будет изменяться в зависимости от размера портфеля, а прогнозируемые экономические последствия будут различными. Для меньших AUM отслеживание ошибок может быть относительно менее ценным, поскольку экономические выгоды от прогнозирования сделки могут быть менее значимыми. Для больших AUM, факторы затрат на сделки являются доминирующими.
• Факторы с более высоким объемом сделок (например, динамика, краткосрочные реверсии) больше выигрывают от оптимизации портфеля, который оптимизируется в соответствии с прогнозом объема сделок с учетом ожидаемых затрат на сделку (см. график).

График: Улучшение средней прибыли в каждом портфеле инвестиций

A. Использование комбинации факторов B. Среднее значение по тематическим группам Каждый пункт реализует JKP-факторный портфель. y-ось представляет собой разницу в среднем избыточном доходе после реализации rnn.econall и ma5; x-ось представляет собой оборот объективных факторов портфеля (т.е. уравнение x,ttxt = x-1 15); панель B - это среднее значение пункта 0 в пункте А в стиле кластера (от JKP).

Результаты являются гипотетическими результатами, а не показателями будущих результатов и не представляют никакой фактической выгоды для инвесторов. Индексы не управляются, не отражают административные или торговые расходы, и инвесторы не могут инвестировать в индексы напрямую.

• Альфа-значение объема торговли является значительным. Альфа-значение объема торговли является таким же значительным, как и альфа-значение обнаруженной отдачи. Например, для $1 млрд. для прогнозирования объема торговли, а не использования показателя задержки торговли, увеличение эффективности портфеля после вычета издержек может быть более чем в два раза выше, чем ожидаемая прибыль или коэффициент Шарпа после затрат торговли.

В результате их исследования авторы пришли к следующему выводу:

Объем сделок в кумуляторе чрезвычайно предсказуем, особенно при использовании технологий машинного обучения, сигналов больших данных и использовании преимуществ сложности прогнозирования. Мы обнаружили, что прогнозирование объема сделок так же ценно, как и прогнозирование доходности, для достижения оптимального параллельного значения стоимости сделки после вычета затрат. Мы обнаружили, что прямое включение функции экономических целей в машинное обучение более эффективно для получения полезных прогнозов. Эта функция может быть использована во многих финансовых приложениях для машинного обучения, в которых прямое включение экономических целей может вести к двухступенчатому процессу, который сначала удовлетворяет определенную статистическую цель, а затем включает статистические объекты в эту экономическую структуру.

Подведение итогов

В статье "Trading Volume Alpha" вносится значительный вклад в литературу об объемах сделок. Авторы дают четкие и краткие обзоры существующей литературы. Они также предлагают новую модель машинного обучения, используемую для прогнозирования объемов сделок.

Более полный поиск прогнозирующих переменных и более точные модели прогнозирования объемов сделок могут принести больше экономических выгод, чем мы показываем здесь. Некоторые перспективные дополнительные функции и кандидаты в методы включают количественное измерение отношений между предварительными задержками объемов сделок, больше сезонных показателей, другие микроструктурные переменные рынка и более сложные модели nn и rnn.

Ссылка на текст:https://alphaarchitect.com/2024/11/trading-volume/