A Very Simple Model for Pricing VIX Futures

Описание: 

Простой способ оценки фьючерсов на викс, по эмпирической формуле:

a_0375_1.png

X- число дней до экспирации. Vix median берем на исторических значениях за весь доступный интервал (с 1990 года). 0.21 - эмпирический коэффициент, объяснение в статье  достаточно глупое "The resulting 0.21 factor is quite close to the historical VIX median volatility of 0.18, so it’s possible that it is an implied volatility factor that rests a few percentage points
above the historical value". Скорее тут должен учитываться наклон кривой (средний исторический) между фьючерсами на викс.

Вот так выглядят отклонения цены первого фьючерса от модели:

В принципе визуально похоже на mean-reverting. Но по-хорошему на стационарность надо бы проверить.

 

MarketSci’s Mean‐Reversion VIX Trading Strategy

Описание: 

Фильтр для виксовых стратегий, основанный на mean-reveritng характере VIX. Берем две скользящие 10дневные средние-SMA и EMA. Если EMA>SMA, это говорит о том, что волатильность короткая выше средней и вероятно, вернется вниз. То есть если какая-то стратегия собирается шортить волатильность - делаем это только при условии EMA>SMA. Если собирается лонговать - при условии EMA<SMA. 

Прикинул на имеющихся виксовых стратегиях  -честно говоря особого эффекта не заметил.

Backtest: Don’t Fear the Bear’s StDev Model

Описание: 

Очередная стратегия в виксовых ETF. Основана на том, что хорошим индикатором уровня волатильности служит волатильность волатильности.

Покупаем VXX когда десятидневное стандартное отклонение VIXа превышает 11%, Покупаем XIV когда оно ниже.

Результаты в статье довольно неплохие, шарп 1.77, CAGR 98.4%. 

Но out-of-sample сильно хуже, ровно после публикации начинается флет: 

Шарп за весь период: 1.01, CAGR 59.3%

A Twist on TradingMarkets.com’s RSI(2) Strategy

Описание: 

Достаточно простая стратегия по торговле ETF на VIX с использованием RSI(2) и пирамидинга позиции.

Делим базовый капитал на 6 лимитов. Если на дневках XIV RSI<10 заходим первым лимитом по цене p1 (покупаем XIV). Если после этого цена ушла ниже p1 - заходим еще двумя лимитами по цене p2. Далее, если цена ушла ниже p2 - заходим последними 3-мя лимитами. Позицию закрываем при RSI>50.

В статье результаты (по 2014 год): 

Протестировано: 

Шарп = 0.59 (если учитывать дни вне позиции), и 0.98 если такие дни выкидывать.

 

 

A Momentum Rotation Strategy for Trading VIX ETPs

Описание: 

Очень простая стратегия ротации 4х ETF на VIX (XIV,VXX,VXZ,ZIV). Покупаем лучший из них по 83-х дневной доходности. Результаты в статье:

Однако, с момента публикации статьи все сильно хуже:

Общий шарп (с 2004 года) = 1.06.

CAGR c 2004 года = 57%

Volatility Analysis

Описание: 

Презентация по некоторым аспектам волатильности:

1. Определение исторической волатильности: приведены способы оценки  с учетом hi и lo значений (Parkinson, Garman-Klass, Rogers-Satchell, Yang-Zhang). Но проблема в том, что использовать их в моменте проблематично - неизвестно, какой будет hi и low до закрытия дня. Предложен другой способ оценки:   (цены логнормированы).

2. Способы определения теоретической улыбки волатильности:

Break Even Volatility

  • Delta Hedge 
  • Gamma Weighted Average 

From Local Vols

  • Using forward PDE
  • Using harmonic mean approach 

3. Анализ по PCA индекса SnP 100 и отраслевых индексов. 

Some New Developments In Volatility Calculations

Описание: 

Небольшая статья о способах расчета волатильности. Ну то есть считать close-close изменения цен не очень хорошо, "более лучшие" способы кратко сведены тут:

Только непонятно, почему не приведен обычный способ расчета по пятиминутным RV. Но в целом полезная табличка. 

Better Hedge Ratios

Описание: 

Презентация по использованию Total Least Squares (TLS) вместо OLS для стат. арбитража.

Частый способ определения коэффициентов количества акций при парной торговле - расчет по методу наименьших квадратов (OLS). Но проблема в том, что он не симметричен - если выбрать в качестве зависимой другую переменную - соотношение будет иным. TLS лишен этого недостатка и  легко может быть рассчитам методом главных компонент. Код на R для двух активов:

r <-princomp(~ x + y)
slope <-r$loadings[2,1] / r$loadings[1,1]
intercept <-r$center[2] – slope*r$center[1]

The Cold Blood Index

Описание: 

Простой анализ частой проблемы - запустили мы стратегию, а она в дродауне. Как определить ошиблись при тестировании или это ее обычное поведение? Очень легко реализуемый подход:

  1. Определяем длину текущего дродауна в днях (L)  и его глубину (D);
  2. Помещаем такой же отрезок длиной L  в начало бэктеста
  3. Определяем доход по тесту G за период L. Увеличиваем счетчик N если G<=D;
  4. Сдвигаем отрезок L в бэктесте на 1 день;
  5. Повторяем шаги 3 и 4 пока не достигнем конца бэктеста. Количество шагов фиксируем как M.

Теперь можно определить вероятность не встретить дродаун D  в T сэмплах из M, если стратегия ведет себя согласно тесту.

1-P=(M-N)!(M-T!)/(M!(M-N-T)!)

  • N - Количество G<=D случаев;
  • L - текущая продолжительность дродауна  в днях;
  • y - длительность теста, дни;
  • M - Общее количество сэмплов = y-L+1;
  • t -  общая продолжительность реальной торговли;
  • T= t-L+1

The worlds simplest execution algo

Описание: 

Небольшая статья с кодом на питоне для оптимального выставления и управления ордером для покупки внутри спреда. У автора сильно улучшала исполнение

Вкратце алгоритм такой (здесь все для покупки, продажа- аналогично, с другим знаком):

  • Если покупаем - ставим ордер по биду и переводим систему в пассивный режим;

Далее для пассивного режима:

  • Если ордер не исполнен за 5 минут - переводим в аггрессивный режим;
  • Если рынок двинулся против нас (бид поднялся) - переводим в аггрессивный режим;
  • Если перекос объемов против нас в 5 раз - в аггрессивный режим;

Аггресивный режим - это покупка с оффера.

Далее для аггрессивного режима:

  • Если ордер не исполнился 10 минут - снимаем (всего)
  • Если оффер поднялся не исполнившись - снова перемещаем бид, гонимся за ним (если мы слишком медленные).

Ссылка на статью

An improved pairs trading strategy based on switching regime volatility

Аннотация: 
A pairs trading strategy on energy, agricultural and index futures is developed. The strategy uses different parameters according to a volatility regime detected using a threshold evaluated in two ways, namely by means of a mixture of two Gaussian densities and a Markov switching model. The performance is assessed using different time frames and filters. When associated to cointegration, this investment algorithm gives a larger Sharpe ratio with respect to classical methods; on the other hand, the correlation filter does not work well with the regime switching algorithm.
Описание: 

Анализ стат. арбитража с использование hidden markov model для определения порогов входа. Тестирование осуществлялось на 7 парах: CL-BRN; HO-RB;ZM-ZL;ZS-ZC; YM-NQ; YM-ES; ES-NQ, на 10 и 20-ти минутках.

К-ты считали по OLS;границы в зависимости от режимов волатильности (по HMM). Шарпы 2-3 без использования режимов и 3-5 при использовании режимов.

Fundamental Exchange Rate Forecasting Models. Advantages and Drawbacks

Аннотация: 
Many researchers prove that fundamental models do not provide accurate exchange rate forecasts. This paper presents the main fundamental exchange rate forecasting models and discusses the advantages and drawbacks of the mentioned models. The research should help to explain why the forecasts can be not accurate.
Описание: 

Небольшой обзор фундаментальных моделей обменных курсов. В принципе не сильно подробно (без данных по результатам исследования моделей), но как общий обзор пойдет.

Can Twitter Help Predict Firm-Level Earnings and Stock Returns?

Аннотация: 
Prior research examines how companies exploit Twitter in communicating with investors, how information in tweets by individuals may be used to predict the stock market as a whole, and how Twitter activity relates to the response to earnings news. In this study, we investigate whether analyzing the aggregate opinion in individual tweets about a company’s prospects can predict its earnings and the stock price reaction to them. Our dataset contains 998,495 tweets (covering 34,040 firm-quarters from 3,662 distinct firms) by individuals in the nine-trading-day period leading to firms’ quarterly earnings announcements in the four-year period, January 1, 2009 to December 31, 2012. Using four alternative measures of aggregate opinion in individual tweets, we find that the aggregate opinion successfully predicts the company’s forthcoming quarterly earnings. We also document a positive association between the aggregate opinion and the abnormal stock price reaction to the quarterly earnings announcement. These findings are more pronounced for firms in weaker information environments (small firms, firms with low analyst following and less press coverage), and robust to specifications that consider a variety of control variables. Overall, these findings highlight the importance for financial market participants to consider the aggregate information on Twitter when assessing the future prospects and value of companies.
Описание: 

Анализ возможности предсказывать отчетность компаний и реакцию на нее с помощью постов твиттера. Собирали посты в даты [-10..-2] до квартальной отчетности, по хэштегам названия компаний или тикеры, чистили затем определяли значение поста следующим способом:

  •  прогоняли через  Байесов классификатор (OPI1);
  • определяли негативную окраску с использованием словаря Loughran and McDonald (OPI2);
  • определяли негативную окраску с использованием словаря Harvard IV-4 (OPI3);
  • использовали комбинацию OPI1-OPI3 (OPI4).

Дальше в общем-то определяли взаимосвязь с сюрпризом на отчетности (SUE) и экстра-доходность за [-1..+1] дни. Статистики везде значимые, с SUE: OPI1 t-statistic = 5.56; OPI2: t-statistic = 2.93, OPI3: t-statistic = 2.71; OPI4: t-statistic = 4.07. Для экстра доходности: OPI1 t-statistic =4.04; OPI2: t-statistic = 7.48, OPI3: t-statistic =6.92; OPI4: t-statistic = 9.09. По OPI4 то есть годовая доходность в принципе может быть получена в размере 10-15% аннуализированно. По OPI1 всего ~5-6%

Mispricing Factors

Аннотация: 
A four-factor model with two “mispricing” factors, in addition to market and size factors, accommodates a large set of anomalies better than notable four- and five-factor alternative models. Moreover, our size factor reveals a small-firm premium nearly twice usual estimates. The mispricing factors aggregate information across 11 prominent anomalies by averaging rankings within two clusters exhibiting the greatest co-movement in long-short returns. Investor sentiment predicts the mispricing factors, especially their short legs, consistent with a mispricing interpretation and the asymmetry in ease of buying versus shorting. Replacing book-to-market with a single composite mispricing factor produces a better-performing three-factor model.
Описание: 

Попытка усовершенствовать факторную модель Фамы-Френча. Предлогают использовать два стандартных фактора (оставили MKT,SMB) и новых UMO1 и UMO2. Эти факторы они считают следующим образом:

  • Набор из 11 аномалий (net stock issues, composite equity issues, accruals, net operating assets, asset growth, and investment to assets; the second cluster includes distress, O-score, momentum, gross profitability, and return on assets) делят на 2 группы: 1-я: net stock issues, composite equity issues, accruals, net operating assets, asset growth, and investment to assets, 2 -я : distress, O-score, momentum, gross profitability, and return on assets.
  • Для 1-го и 2-го кластера ранжируют акции
  • Берут верхнюю и нижнюю квантиль в кластере 1. Считают доходность попавших в них бумаг. И считают разницу доходности. Называют UMO1. Для UMO2 аналогично. 

Вроде как результаты получились лучше чем в имеющихся факторных моделя. Но интересно не это - перечни аномалий, которые используют для анализа. По ним в статье указаны месячные альфы. Ну и дан список еще 74 аномалий.

On long-run stock returns after corporate events

Аннотация: 
This paper revisits the controversial question of whether long-run abnormal returns are associated with major corporate events. Our analyses investigate initial public o erings (IPOs), seasoned equity o erings (SEOs), mergers and acquisitions (M&As), and dividend initiations. In an attempt resolve ambiguous empirical evidence with respect to these events, we conduct a variety of tests for abnormal long-run performance, including buy-and-hold returns (BHARs), di erent calendar time approaches, and a recent standardized test. Empirical tests for these di erent methods consistently detect signi cant long-run abnormal returns for all four corporate events. We conclude that long-run abnormal returns exist with respect to these major corporate actions.
Описание: 

Исследуется влияние таких событий как IPO, SEO (сезонные выпуски акций), слияния и поглощения и начало выплат дивидендов. Анализировали 4-мя разными способами, на 5-летнем периоде соответственно IPO, SEO, MA дают негативную доходность, старт дивидендов - позитивную. Кроме того, интересно, что при IPO и SEO можно наблюдать 1-месячную превышающую рынок доходность, затем начинает накапливаться отставание. 

Momentum and Markowitz: a Golden Combination

Аннотация: 
Mean-Variance Optimization (MVO) as introduced by Markowitz (1952) is often presented as an elegant but impractical theory. MVO “is an unstable and error-maximizing" procedure (Michaud 1989), and “is nearly always beaten by simple 1/N portfolios” (DeMiguel, 2007). And to quote Ang (2014): "Mean-variance weights perform horribly… The optimal mean-variance portfolio is a complex function of estimated means, volatilities, and correlations of asset returns. There are many parameters to estimate. Optimized mean-variance portfolios can blow up when there are tiny errors in any of these inputs. .. ".
Описание: 

Статейка об оптимизации портфеля по доходу-волатильности. Берем большой портфель etf, на базе от 1 до 12 мес. определяем доходность и волатильность, далее оптимизируем портфель определяя веса между активами (в статье только лонг онли). Алгоритм есть в статье. И вроде как на вселенной из 39 етф получаем шарп 1, доходность15.4%.  Авторы назвали этот подход Classical Asset Allocation (CAA).

Short Interest and Aggregate Stock Returns

Аннотация: 
We show that short interest is arguably the strongest known predictor of aggregate stock returns. It outperforms a host of popular return predictors both in and out of sample, with annual R2 statistics of 12.89% and 13.24%, respectively. In addition, short interest can generate utility gains of over 300 basis points per annum for a mean-variance investor. A vector autoregression decomposition shows that the economic source of short interest’s predictive power stems predominantly from a cash flow channel. Overall, our evidence indicates that short sellers are informed traders who are able to anticipate future aggregate cash flows and associated market returns.
Описание: 

Анализ шорт интереса как предиктора доходности акций. Out-of-sample регрессия дала R2 1.94% при использовании для 1-го месяца и 13.24% для 12 месяцев. Другие интересные показатели дали R2:

  • DP -2.06% (1m); -26.39% (12m)
  • DY -2.2% (1m); -25.82% (12m)
  • NTIS -3.23% (1m); -27.82% (12m).

Кроме того, предложена стратегия инвестирования либо в безрисковый актив или в акции с учетом прогноза по short-interest. Хотя шарп и ничего (0.66 для 1 мес, 0.53 для 12 мес), но доходность низкая - 3-4%. По остальным предикторам еще хуже.

Skewness and Dispersion of Opinion and the Cross Section of Stock Returns

Аннотация: 
We show that the degree of dispersion and asymmetry of analysts’ earnings forecasts is related to future stock returns. When skewness is negative, future returns are decreasing in the degree of dispersion of analysts’ earnings forecasts; when skewness is positive, future returns are increasing in the degree of dispersion of analysts earnings forecasts. We develop a model that incorporates dispersion and asymmetry in agents’ beliefs that can account for these empirical facts.
Описание: 

Анализ связи ассиметрии и дисперсии предсказаний аналитиков о прибыли компаний с будущей доходностью компаний. При анализе дисперсии акции каждый месяц сортировались на квантили, затем лонг-шорт портфель приносил 0.59% в месяц. Если сделать дополнительное ранжирование на квантили по ассиметрии, то лонг-шорт портфель (покупка акций в квантили наименьшей дисперсии и шорт для наибольшей дисперсии все это для акций с наибольшей отрицательной ассиметрией) давал 0.65%   

Intraday Momentum: The First Half-Hour Return Predicts the Last Half-Hour Return

Аннотация: 
Based on high frequency data of the S&P 500 ETF from 1993 – 2013, we document an intraday momentum pattern: the first half-hour return on the market predicts the last half-hour return. The predictability, both statistically and economically significant, is stronger on more volatile days, on higher volume days, on recession days, and on major macroeconomic news release days. This intraday momentum is also strong for ten other most actively traded domestic and international ETFs, and two major international equity index futures. Theoretically, the intraday momentum is consistent with the trading behavior of informed traders.
Описание: 

Стратегия торговли на получасовой доходности - если доходность первой и 12-й получасовки в одном направлении - торгуем последнюю получасовку. Результат в первоначальном варианте не очень - 6.67%, шарп 1.08. Немного лучше если дополнительно анализировать волатильность - если в первой получасове она в верхем терциле - доходность растет до 14.73%, а шарп до 1.63. Примерно то же влияние у повышенного объема  - в верхнем терциле доходность 11.87%, шарп 1.29

Improving Pairs Trading

Аннотация: 
This paper tests the Pairs Trading strategy as proposed by Gatev, Goetzmann and Rouwenhorts (2006). It investigates if the profitability of pairs opening after an above average volume day in one of the assets are distinct in returns characteristics and if the introduction of a limit on the days the pair is open can improve the strategy returns. Results suggest that indeed pairs opening after a single sided shock are less profitable and that a limitation on the numbers of days a pair is open can significantly improve the profitability by as much as 30 basis points per month.
Описание: 

Исследование дополнительных фильтров, улучшающих парную торговлю. Сама базовая стратегия очень простая - формируем пары по секторам, считаем показатель sum((p1(t)/p1(1))-(p2(t)/p2(1))^2) за 250 дней. Полученные результаты ранжируем, торгуем если отклонение больше 2х сигм за 125 дней. Это все не очень интересно. Важнее другое, автор считает, что эффективнее принудительно закрывать торговлю после некоторого периода удержания - иначе вероятно отклонение носило обоснованный характер. Лучшие результаты получаются при лимите =25 дней. 

Кроме того, еще исследуется фильтр от объема - мерием объем по каждой бумаге за 250 дней, дальше если сейчас объем по одной превосходит средний на какой-то уровнень (к примеру  1стандартное отконение) - скорее всего есть шок в одной бумаге. Это не очень  хорошо - признак влияния локальной новости и т.п. А вот если объем растет в обеих бумагах (обоюдный шок) - отлично, есть шансы, что общее событие неверно оценено рынком. Вариант при 1 сигме обоюдного шока в тесте дает вдвое лучший результат, чем одинарный шок.

Profitable Momentum Trading Strategies for Individual Investors

Аннотация: 
For nearly three decades, scientific studies have explored momentum investing strategies and observed stable excess returns in various financial markets. However, the trading strategies typically analyzed in such research are not accessible to individual investors due to short selling constraints, nor are they profitable due to high trading costs. Incorporating these constraints, we explore a simplified momentum trading strategy that only exploits excess returns from topside momentum for a small number of individual stocks. Building on US data from the New York Stock Exchange from July 1991 to December 2010, we analyze whether such a simplified momentum strategy outperforms the benchmark after factoring in realistic transaction costs and risks. We find that the strategy can indeed work for individual investors with initial investment amounts of at least $5,000. In further attempts to improve this practical trading strategy, we analyze an overlapping momentum trading strategy consisting of a more frequent trading of a smaller number of “winner” stocks. We find that increasing the trading frequency initially increases the risk-adjusted returns of these portfolios up to an optimal point, after which excessive transaction costs begin to dominate the scene. In a calibration study, we find that, depending on the initial investment amount of the portfolio, the optimal momentum trading frequency ranges from bi-yearly to monthly.
Описание: 

В статье анализируется, каким образом лучше торговать моментумные стратегии розничному инвестору. Базовая стратегия - считаем доходность в период с февраля по конец июля, затем формируем портфели из (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 15, 20, 30, 40, 50) лучших акций (не кросс-сектионал). Держим год, считаем доходность. Сам подход ничем не необычен, кроме пожалуй анализа влияния количества акций на результаты. Интересны результаты по шарпу: 

К-во лучших 1 2 3 4 5 6 7 8 9 10 15 20 30 40 50
Доходность, % мес 1.15 2.68 2.94 2.95 3.04 3.04 3.07 3.06 2.91 2.82 2.54 2.36 2.28 2.2 2.13
Std 0.7 0.44 0.34 0.29 0.24 0.22 0.2 0.19 0.18 0.17 0.14 0.12 0.11 0.1 0.1
Sharpe 0.057 0.211 0.299 0.352 0.439 0.479 0.532 0.558 0.560 0.574 0.628 0.681 0.718 0.762 0.738

В принципе, таблица показывает, что с точки зрения шарпа оптимальный размер портфеля 30 бумаг.

Кроме того, еще в статье анализируются косты и как влияет количество перетрясок портфеля (раз в месяц., в квартал,  в полугодие, в год, в два года, три года) на доходность портфеля. Ну мелкие портфели (5000-30000 долларов) с большим количеством бумаг множественные перетряски прогнозируемо убивают. Лучшие результаты для таких портфелей - держать 8-10 акций с перетрясками раз в год или два.

Investment Strategies with VIX and VSTOXX Futures

Аннотация: 
This study examines historical data on S&P500 and EURO STOXX 50, VIX and VSTOXX, VIX and VSTOXX futures, to reveal linkages between these important series that can be used by equity investors to generate alpha and protect their investments during turbulent times. A comparative portfolio performance analysis in the U.S. and the E.U. zone reveals that over time the best investment strategy for a stock investor is to add both bonds and volatility futures to their portfolio. We also reveal a long-short cross border statistical arbitrage strategy pairing volatility index futures that can generate profits using forecasts produced by suitable GARCH models.
Описание: 

Половину статьи рассказывается о VIX и VXSTOXX. Вторую половину - анализируется спред VIX-VXSTOXX. Вроде он даже по ADF получается стационарным на уровне значимости 6%, а по Филипс-Перону даже на 1%. Дальше анализируется спред VIX-VXSTOXX  и делается попытка торговать арбитраж между ними. Загоняют в GARCH модель сам спред, пытаются прогнозировать его изменение. Результат визуально не очень, численные данные не приведены. Впрочем период теста очень небольшой, только 2012 год.

The Momentum Gap and Return Predictability

Аннотация: 
Momentum strategies have historically delivered large alphas, yet they also displayed signi cant time-variation that is not very well understood. I document that expected momentum pro ts vary negatively with the formation period return di erence between past winners and losers, which I term the momentum gap. A one standard deviation increase in the momentum gap predicts a 1.29% decrease in the monthly momentum return after controlling for existing predictors. I nd consistent results across 21 international stock markets. Following the simple real-time strategy of investing in momentum only when the momentum gap is below the 80th percentile generates monthly returns of 1.28%.
Описание: 

В статье определяется новый предиктор - размер гэпа по моментуму - разница средней доходности 1-го и 10-го дециле по моментуму (t-12:t-2). Соответственно, чем выше эта разница - тем хуже работает моментум. В статье приведена стратегия: измеряем этот гэп в каждый из месяцев за 30 месяцев, далее входим в моментум (покупка 10-го дециле, продажа 1-го) если гэп ниже чем 5-й квинтиль за 30 месяцев. Результат мерился на дневках с 1926 по 2012, при простом моментуме шарп 0.52, с добавкой гэпности 0.79. В принципе неплохо. Месячная доходность 1.28%, в принципе с некоторыми ухищрениями (в статье) может составить и 2%.

. . . and the Cross-Section of Expected Returns

Аннотация: 
Hundreds of papers and hundreds of factors attempt to explain the cross-section of expected returns. Given this extensive data mining, it does not make sense to use the usual criteria for establishing signi cance. What hurdle should be used for current research? Our paper introduces a new multiple testing framework and provides historical cutoffs from the rst empirical tests in 1967 to today. A new factor needs to clear a much higher hurdle, with a t-statistic greater than 3.0. We argue that most claimed research fi ndings in financial economics are likely false.
Описание: 

Макроанализ более чем 200 аномалий, исследованных на фондовом рынке. Можно использовать как некоторый классификатор этих аномалий, они все приведены в статье со ссылками на работы. В статье делается вывод, что для определения достоверности t-статистики на уровне 2 недостаточно. Надо использовать минимум уровень 3. Кроме того, из 296 факторов 158 по Bonferonni могут быть признаны нерабочими, 142, по Holm, 132 по BHY (1%) и 80 по BHY (5%) 

Selection of a Portfolio of Pairs Based on Cointegration: A Statistical Arbitrage Strategy

Аннотация: 
Statistical arbitrage strategies, such as pairs trading and its generalizations, rely on the construction of meanreverting spreads with a certain degree of predictability. This paper applies cointegration tests to identify stocks to be used in pairs trading strategies. In addition to estimating long-term equilibrium and to model the resulting residuals, we select stock pairs to compose a pairs trading portfolio based on an indicator of profitability evaluated in-sample. The profitability of the strategy is assessed with data from the São Paulo stock exchange ranging from January 2005 to October 2012. Empirical analysis shows that the proposed strategy exhibit excess returns of 16:38% per year, Sharpe Ratio of 1:34 and low correlation with the market.
Описание: 

Собственно, ничего принципиально нового. Тест стат. арбтитража на бразильском рынке, дневки. Из 50 наиболее ликвидных бумаг формировались пары, затем они прогонялись через Энгла и Йохансена. Отбирались 20 лучших, затем тестировалась торговля. Доходность 16.4% годовых и шарп 1.34.

Insider Trading Patterns

Аннотация: 
We analyze the information content of corporate insiders’ trades after accounting for certain trading patterns. Insiders spread their trades over longer periods of time when they have a longer lived informational advantage and when outside investors are less attentive. In contrast, they make isolated trades in short windows of time when their informational advantage is short-lived. Both isolated trades and trade sequences (those spread over multiple consecutive months) predict sizable abnormal returns; for sequences, these abnormal returns are manifest only following the completion of the sequence. The return patterns we identify continue to hold for a large group of insiders that would have been classified as “routine” traders by prior research, suggesting that informed insider trading may be even more widespread than previously thought.
Описание: 

С использованием данных о торговле инсайдеров определяются их разовые и серийные покупки (продажи). Серийные сделки могут быть использованы в построении лонг-шортовой стратегии - покупаем бумаги, по которым топы делали серийные покупки, продаем те, где были серийные продажи. По результатам в статье доходность может быть 20-30% годовых.

Investor Attention, Psychological Anchors, and Stock Return Predictability

Аннотация: 
Motivated by psychological evidence on limited investor attention and anchoring, we propose two proxies for the degree to which traders under- and over-react to news, namely, the nearness to the Dow 52-week high and the nearness to the Dow historical high, respectively. We nd that nearness to the 52-week high positively predicts future aggregate-market returns, while nearness to the historical high negatively predicts future market returns. We further show that our proxies contain information about future market returns that is not captured by traditional macroeconomic variables and that our results are robust across G7 countries. Comprehensive Monte Carlo simulations and comparisons with the NYSE/AMEX market cap index con rm the signi cance of these ndings.
Описание: 

Типа близость к 52-недельному хаю предсказывает будущую доходность. Механизм простой - инвесторы после ряда позитивных событий (которые подтягивают цену вверх) инвесторы менее склонны бидовать. Но кросс-сектионал доходность получается всего 0.4% в месяц.

Analytic solutions for optimal statistical arbitrage trading

Аннотация: 
In this paper we derive analytic formulae for statistical arbitrage trading where the security price follows an Ornstein-Uhlenbeck process. By framing the problem in terms of the ¯rst-passage time of the process, we derive expressions for the mean and variance of the trade length and the return.We examine the problem of choosing an optimal strategy under two di®erent objective functions: the expected return; and the Sharpe ratio. An exact analytic solution is obtained for the case of maximising the expected return.
Описание: 

Очень интересная статья в которой приведена модель оптимизации стат. арбитража - как параметры используются уровни открытия/закрытия, косты и риск-нейтральная ставка. 

Good Day Sunshine: Stock Returns and the Weather

Аннотация: 
Psychological evidence and casual intuition predict that sunny weather is associated with upbeat mood. This paper examines the relation between morning sunshine at a country's leading stock exchange and market index stock returns that day at 26 stock exchanges internationally from 1982-97. Sunshine is strongly positively correlated with daily stock returns. After controlling for sunshine, other weather conditions such as rain and snow are unrelated to returns. If transactions costs are assumed to be minor, it is possible to trade pro tably on the weather. These results are diÆcult to reconcile with fully rational price-setting.
Описание: 

Так, в порядке развлечения - стратегия торговли по погоде. Основная мысль в том, что при хорошей погоде и инвесторы более оптимистичны. Авторы взяли 26 городов, данные о погоде, сняли сезонность, посчитали регрессии. Даже получилось статистически значимо. Кроме того, затем взяли погоду с 5 до 8 утра в тех же городах и попробовали посчитать, что будет если покупать в солнечные дни и продавать в пасмурны (со снятой сезонностью). t-статистики получились ~-2..-3  в различных вариантах использования. "Денежных" данных нет.

Maximum bid-ask spreads and expected Stock returns

Аннотация: 
The return premium associated with the illiquidity of stocks is well documented. In this study, we focus our attention on the uncertainty of liquidity. We test whether brief but significant liquidity droughts, as measured by the maximum daily bid-ask spread during a particular month, are associated with the illiquidity premium. Results show a robust return premium associated with stocks with the largest maximum bid-ask spread. We find that stocks with the largest maximum spreads generate alphas of approximately 1% per month. These results are distinct from premiums associated with the bid-ask spread and hold in a multi-factor setting after controlling for the Pastor-Stambaugh liquidity risk factor.
Описание: 

Анализ доходности от максимальных бид-аск спредов. Берем всю совокупность бумаг кроме как с ценой меньше 2доллара. Считаем MaxSpread как максимальный бид-аск спред за предшествующий месяц. Затем ранжируем в зависимости от MaxSpread на квантили. По результатам исследования cross-sectional доходность от 9% до 12.5% в год, более доходны акции с большим MaxSpread. Ну и кроме того в эту квантиль попадают бумаги с меньшей капитализацией, большим B/M, большим средним спредом и т.п. Это все конечно замечательно, только торговать это невозможно - как раз бид-аск и съест всю доходность.

Страницы