Xây dựng và thực hiện danh mục đầu tư tối ưu hóa khối lượng giao dịch

Mặc dù việc tối ưu hóa danh mục đầu tư thường tập trung vào dự đoán rủi ro và lợi nhuận, chi phí thực hiện là rất quan trọng. Tuy nhiên, dự đoán chi phí giao dịch là thách thức, bởi vì đối với các nhà đầu tư lớn, thành phần lớn nhất là ảnh hưởng của giá, tùy thuộc vào quy mô giao dịch, khối lượng các nhà giao dịch khác trong đó và danh tính của nhà giao dịch, do đó cản trở giải pháp chung. Để giải quyết vấn đề này, vào tháng 8 năm 2024, các tác giả nghiên cứu về khối lượng giao dịch Alphabet, Rusian Goyenko, Bryan Kelly, Tobias Moskowitz, Yinan Su và Chao Zhang, cho rằng khối lượng giao dịch là một nguồn thông tin định giá quý giá để ước tính chi phí giao dịch, giả sử quy mô giao dịch là cố định và chi phí giao dịch nên giảm theo khối lượng giao dịch.

Trước tiên, họ chỉ ra rằng nghiên cứu trước đây của Frazzini, Israel và Moskowitz (2018) cho thấy quy mô giao dịch trừ khối lượng giao dịch hàng ngày (được gọi là tỷ lệ tham gia thị trường định lượng) là động lực chính của chi phí ảnh hưởng đến giá, và giá ảnh hưởng là một hàm số gia tăng của tỷ lệ tham gia. Do đó, khi khối lượng giao dịch không thay đổi, các nhà giao dịch có ảnh hưởng lớn hơn đến giá. Do đó, khi các điều kiện khác tương tự, khối lượng giao dịch dự đoán cao hơn, các nhà giao dịch có thể giao dịch nhiều tiền hơn, bởi vì ảnh hưởng giá của mỗi giao dịch sẽ nhỏ hơn.

Sau đó, các tác giả giới thiệu mô hình học máy được sử dụng để dự đoán khối lượng giao dịch. Mô hình của họ dựa trên các mạng thần kinh hồi quy. Để dự đoán khối lượng giao dịch, họ sử dụng các tín hiệu kỹ thuật, chẳng hạn như lợi nhuận trễ và khối lượng giao dịch trễ, cùng với các đặc điểm của công ty thu được lợi nhuận bất thường được tìm thấy trong tài liệu. Sau đó, họ thêm các chỉ số về các sự kiện trên phạm vi thị trường hoặc cấp công ty khác nhau liên quan đến biến động khối lượng giao dịch, bao gồm báo cáo lợi nhuận sắp phát hành và quá khứ, và sử dụng các mạng thần kinh khác nhau để phân tích các phương pháp dự đoán tuyến tính và phi tuyến tính nhằm tối đa hóa tính dự đoán bên ngoài mẫu. Cuối cùng, họ dự đoán các hàm mục tiêu / lỗ của mạng thần kinh để thay đổi mục tiêu kinh tế của danh mục đầu tư khi dự đoán khối lượng giao dịch.

Sau đó, các tác giả trình bày cách sử dụng mô hình của họ để xây dựng danh mục đầu tư.

Để định lượng ý nghĩa kinh tế của dự đoán khối lượng giao dịch, chúng tôi đưa dự đoán khối lượng giao dịch vào vấn đề lý thuyết hợp lý của danh mục đầu tư. Chúng tôi đã xây dựng một khuôn khổ danh mục đầu tư nhằm tối đa hóa hiệu suất chi phí ròng của danh mục đầu tư bằng cách sử dụng hàm hiệu suất chênh lệch bình đẳng, trong đó chi phí giao dịch có mối quan hệ tuyến tính với tỷ lệ tham gia (được lấy cảm hứng từ nghiên cứu lý thuyết và thực tế trong tài liệu). Tối ưu hóa cân bằng chi phí giao dịch với cơ hội không giao dịch. Chi phí chia giảm chi phí giao dịch và giảm thiểu sai sót để đạt được chi phí đầu tư trước khi chi phí đầu tư tối ưu nhất. Trong mô hình này, chúng tôi giả định rằng chi phí giao dịch và sai sót theo dõi là tương quan âm tính trong danh mục đầu tư đầu tiên.

Tương tự như vậy, hãy lưu ý rằng trong thực tế, khi chi phí giao dịch của một mặt hàng cao, lựa chọn khác là giao dịch một thứ khác. Ví dụ, nếu chi phí giao dịch của A quá cao, bạn có thể xem xét chi phí giao dịch thấp hơn của B. Điều này có thể tốt hơn là không giao dịch, thường nhiều người trong số họ có các đặc điểm tương tự, do đó lợi nhuận dự kiến cũng tương tự, và quỹ thường xuyên cần giao dịch (ví dụ, vì dòng tiền).

Thời gian lấy mẫu của họ là từ năm 2018 đến năm 2022, tức là 1.258 ngày. Màn cắt ngang bao gồm khoảng 4.700 loài, trung bình 3.500 loài mỗi ngày, hoặc tổng cộng 4.400.000 quan sát. Dưới đây là một số tóm tắt về những phát hiện chính của họ:

Mô hình của họ có thể dự đoán chính xác các khối lượng giao dịch khác nhau.

• Chi phí ảnh hưởng giá (giả sử quy mô giao dịch là cố định) có mối quan hệ tuyến tính với tỷ lệ tham gia, nhưng không tuyến tính với khối lượng giao dịch. Số lượng giao dịch rất thấp có nghĩa là chi phí ảnh hưởng là chỉ số cao, trong khi khối lượng giao dịch rất cao có nghĩa là chi phí không thể bỏ qua. Các công nghệ học máy có thể cải thiện đáng kể khả năng dự đoán khối lượng giao dịch, một phần do tính không tuyến tính của khối lượng giao dịch và mối quan hệ của nó với chi phí giao dịch.
• Các công ty lớn có độ chính xác dự báo cao hơn các công ty nhỏ. Các công ty nhỏ không chỉ có mức thanh khoản thấp hơn trung bình, mà còn khó dự đoán hơn và biến động hơn.
• Nếu khối lượng giao dịch không thay đổi, chi phí ảnh hưởng giá của người yêu cầu thanh khoản gần như vô hạn (lưu ý, điều ngược lại xảy ra với các nhà cung cấp thanh khoản, đó là lý do tại sao giao dịch kiên nhẫn là quan trọng), và chi phí ảnh hưởng gần như vô hạn khi khối lượng giao dịch lớn hơn.
• Khi khối lượng giao dịch thấp, thay đổi dự đoán khối lượng giao dịch có tác động kinh tế lớn hơn, dẫn đến chi phí không đối xứng của sai số dự đoán. Tuy nhiên, chi phí cơ hội theo dõi sai số hoặc không giao dịch không liên quan đến khối lượng giao dịch. Sự kết hợp của hai hiệu ứng này có nghĩa là hình phạt tối ưu hóa cho khối lượng giao dịch được đánh giá cao lớn hơn hình phạt cho khối lượng giao dịch được đánh giá thấp.
• Chi phí giao dịch tăng khi AUM tăng, mất mát tương đối của tracking error giảm khi AUM tăng và cân bằng tốt nhất giữa chi phí giao dịch và tracking error sẽ thay đổi theo quy mô danh mục đầu tư, và tác động kinh tế dự đoán khối lượng giao dịch cũng sẽ khác nhau. Đối với AUM nhỏ hơn, tracking error có thể có giá trị tương đối ít hơn cho lợi ích kinh tế của việc dự đoán khối lượng giao dịch. Đối với AUM lớn hơn, các yếu tố chi phí giao dịch chiếm ưu thế.
• Các yếu tố có khối lượng giao dịch cao (ví dụ: động lực, đảo ngược ngắn hạn) sẽ được hưởng lợi nhiều hơn từ việc tối ưu hóa danh mục đầu tư dựa trên dự đoán khối lượng giao dịch để tính đến chi phí giao dịch dự kiến (xem biểu đồ).

Biểu đồ: Tăng trưởng lợi nhuận trung bình cho mỗi danh mục đầu tư

A. Thực hiện các sự kết hợp các yếu tố B. Trung bình theo nhóm chủ đề Mỗi điểm thực hiện một danh mục đầu tư nhân JKP;; trục y là sự khác biệt giữa mức lợi nhuận trung bình vượt quá chi phí thực hiện rnn.econall và ma5; trục x là tỷ lệ xoay chuyển của mục tiêu danh mục đầu tư nhân (tức là phương trình 15 của xi,ttxt = x-1); bảng B trung bình các điểm 0 trong A theo kiểu tập hợp (từ JKP).

Kết quả là kết quả giả định, không phải là chỉ số cho kết quả tương lai, và không đại diện cho lợi nhuận thực tế của bất kỳ nhà đầu tư nào. Chỉ số không được quản lý, không phản ánh chi phí quản lý hoặc giao dịch, và nhà đầu tư không thể đầu tư trực tiếp vào chỉ số.

• Giá trị alpha khối lượng giao dịch rất đáng chú ý. Giá trị alpha khối lượng giao dịch cải thiện biên đối với danh mục đầu tư bằng giá trị alpha tìm thấy lợi nhuận. Ví dụ, đối với một khoản tiền trị giá 1 tỷ đô la, việc cải thiện hiệu suất danh mục đầu tư chỉ bằng cách dự đoán khối lượng giao dịch thay vì sử dụng chỉ số khối lượng giao dịch trễ có thể cao gấp đôi tỷ lệ Sharpe sau khi chi phí giao dịch hoặc chi phí giao dịch dự kiến. Trong các yếu tố định giá sản phẩm phổ biến, việc sử dụng đường trung bình di chuyển của khối lượng giao dịch trễ để dự đoán giao dịch trong tương lai, lợi nhuận sau chi phí không phải trong phạm vi từ 20 điểm cơ bản đến 100 điểm cơ bản.

Kết quả nghiên cứu của họ dẫn các tác giả đến kết luận:

Số lượng giao dịch kim là rất dự đoán, đặc biệt là khi sử dụng các công nghệ học máy, tín hiệu dữ liệu lớn và lợi dụng lợi thế của sự phức tạp trong dự đoán. Chúng tôi thấy rằng trong việc thực hiện danh mục đầu tư giá trị chênh lệch giữa giá trị tối ưu sau khi chi phí giao dịch được khấu trừ, dự đoán khối lượng giao dịch cũng có giá trị như dự đoán lợi nhuận. Chúng tôi thấy rằng việc đưa các hàm mục tiêu kinh tế trực tiếp vào học máy hiệu quả hơn để có được các dự đoán hữu ích. Tính năng này có thể được áp dụng cho nhiều ứng dụng tài chính trong học máy, trong đó, việc đưa mục tiêu kinh tế trực tiếp có thể dẫn đến một quá trình hai bước, đó là đáp ứng một mục tiêu thống kê trước và sau đó đưa các đối tượng thống kê vào khung kinh tế.

Tóm lại

Bài báo "Trading Volume Alpha" là một đóng góp quan trọng cho tài liệu khối lượng giao dịch. Các tác giả đưa ra một tổng quan rõ ràng và ngắn gọn về tài liệu hiện có. Họ cũng đưa ra một mô hình học máy mới được sử dụng để dự đoán khối lượng giao dịch.

Tìm kiếm các biến số dự đoán toàn diện hơn và mô hình dự đoán khối lượng giao dịch chính xác hơn có thể mang lại lợi ích kinh tế lớn hơn so với những gì chúng tôi đã trình bày ở đây. Một số ứng cử viên tính năng và phương pháp bổ sung đầy hứa hẹn bao gồm quan hệ khối lượng giao dịch trễ hàng đầu giữa các giao dịch định lượng, nhiều chỉ số theo mùa hơn, các biến thể cấu trúc vi mô khác của thị trường và các mô hình nn và rnn phức tạp hơn.

Đọc thêm:https://alphaarchitect.com/2024/11/trading-volume/