Quant ideas

Описывается продажа пут-спредов SPX, сравниваются разные параметры стратегии плюс сравнение с непокрытым путом. Общая логика следующая: выписываем месячные опционы со страйком K1 и покупаем со страйком К2. Выходим из позиции либо по закрытию, либо по стоп-лоссу (потеря определенного процента от базовой позы или если price=K1*0.98.

K1 в обще логике считаем как (1-0.1*HV(или VIX)*prce. Доходности лучших стратегий: 50-80%, шарп 1-1.8 на периоде 1990-2010. В целом лучше чем продажа непокрытого пута (там шарп 0.3-0.9). В целом вся совокупность стратегий показывает шарп 1.31 при доходности 24.8%.

Пример скальпинговой стратегии ES на минутках. Считаем волатильностьВверх и волатильностьВниз (берем изменения когда close(t)>close(t-1) для расчета "вверх" и наоборот для расчета "вниз". Считаем волатильность с использованием TrueRange). Определяем текущую волатильность вверх и вниз как truerange текущего бара+50% от волатильности двух предыдущих. Назваем это "прогноз". Ставим правила:

• Если прогнозВверх>волатильностьВверх покупаем ES по рынку (Profit Target = 8 ticks, Stop Loss = 2 ticks);
• Если прогнозВниз>волатильностьВверх - продаем ES по рынку (Profit Target = 8 ticks, Stop Loss = 2 ticks);
• Если прогнозВверх<волатильностьВниз ставим ордер по аску на продажу (Profit Target = 2 ticks, Stop Loss = 30 ticks;
• Если прогнозВниз<волатильностьВниз ставим ордер по биду на покупку (Profit Target = 2 ticks, Stop Loss = 30 ticks);

На графике получается хороший результат  , но вероятно комиссия много пожрет.

Исследуется влияние имбэлансов стакана. Анализируется логистическая регрессия от перекосов имбэланаса. Вроде как на 95% уровне значимости модель работает. Использовали топ-10 акций по ликвиндности на NYSE. Кроме того, отдельно смотрели акции с большой относительной величиной тика (0.01/price)  и малой. Лучше работает в бумагах с большими тиками. 

Анализируется возможность предсказания цен акций  с использованием нейронных сетей (deep neural networks) и анализа новостей. Соответственно, в качестве предикторов используется цена и ряд данных контент-анализа:

• Bag of keywords (BoK): Сформированы ключевые слова и проверяется их наличие в статье;
• Polarity score (PS): связывается влияение ключевых слов и изменения цены;
• Category tag (CT): перечень категорий, которые могут быть индикаторыми определенных событий (слияния и т.п.).

Далее все это загоняется в нейронную сеть и формируется прогноз. На всех этих предикторах доля ошибок получалась 43.13%.

Дополнительно строились корреляции между компаниями и оценивалось влияние новости одной компании на связанные - для акций с корреляцией больше 90% доля верных предсказаний 52.44%

Очень подробная статья по эффективному маркет-мейкингу. Анализируется бид-аск спред, медиана и значения спреда моделируются как Марковские процессы. Оптимизируются параметры постановки или сдвига лимитный ордеров, риски маркет-мейкинга и т.п. Очень полезная статья для оптимизации исполнения ордеров или собственно мм.

Анализируется коинтеграционная стратегия с поправкой на волатильность. Вся модель приведена, параметры оценивают обобщенным методом моментов. Проверяли на парах GLD/GDX, там за год получили 2000%, но это подстройка сама на себе. На паре банк китая/гонког-банк китая найс вроде тоже получен супер результат (80%), но конечно надо тестировать.

Исследовали, как влияет доходность получасовки на последующую краткосрочную доходность бумаги. Каждый день били на 13 получасовок и делали регрессию по доходности предшествующих получасовок. Кроме того, делали ранжирование акций по доходности в определенную получасовку (к примеру, первые полчаса) и анализ доходности с определенным лагом (к примеру последняя получасовка - торговля). Положительная доходность получена, даже с отличными t-статистиками. Только средняя доходность 1-4 бэйсис пойнта. Ни один из предложенных вариантов нельзя торговать - бид-аски сожрут.

Исследовали предсказательную способность статей и комментариев в seeking alpha. Брали текст, пропускали через словарь Loughran and McDonald, определяли сентимент - загоняли в регрессию (зависимые переменные - доля негативных слов в статье, разница доли негативных слов в статье и комментариях и комплексный вектор который включает доходности в предыдущие дни, волатильности, изменения в рекомендациях и т.п.). Полученные результаты показывают, что если доля негативных слов в SA на 1% больше, доходность на 0.379% ниже. (t-stat=-0.203). Далее пропускали два дня и покупали-продавали по квантилям/квартилям - удержание 3 месяца. Результаты не очень, судя по графику 6-7% в год, шарп не указан. 

Что будет, если к обычному использованию фундаментальных аномалий (ежегодная перетряска) добавить ежемесячную перетряску портфеля в зависимости от MA каждой бумаги. Использовалась следующая логика:

На 1 июня ранжируем совокупность бумаг по 8 аномалиям:

• book-to-market;
• gross profitability;
• operating profit;
• asset growth;
• investment growth;
• net stock issue;
• accrual;
• net operating assets.

Формируются 8 лонг-шорт портфелей по децилям на основании отчетности за предыдущий финансовый год. Затем по каждой бумаге строится 2 скользящие среднии: MA(50) и MA(200). Для лонговой части портфеля бумага покупается только если MA(50)-MA(200)>0; для шортовой части бумага продается только если MA(50)-MA(200)<0. Проверка по MA осуществляется ежемесячно. Кроме MA дополнительно проанализирован подход с использованием CAPM alpha.

Результаты: базовый портфель имеет доходность 0.64% в месяц (t-value=8.58), используя фильтр по MA: 1.47% (t-value=8.5), используя фильтр по CAPM-alpha 1.13% (t-value=8.05). Бумаги с высокой идиосинкразической волатильностью зарабатывают еще больше (портфель из бумаг верхних идиосинкр. воле с фильтром по MA: 1.85% в месяц).

Достаточно старая статья об оценке волатильности с использованием не только close значений, а всего набора - open, high, low, close. Приведено несколько подобных моделей, авторы считают, что их - самая лучшая. Какой-то статистики на этот счет в статье нету.

Предложен индикатор hi-low, который считается как: отношение бумаг SnP на 3х месячных хаях  к количеству бумаг SnP на 3х месяыных лоях.  И все это поделить на 500. Считается на каждый день.

По данному индикатору строим 40-дневную MA, на конец каждой недели смотрим значение - если выше 5%, покупаем в понедельник. Если ниже 5% - выходим из позиции. Альтернативой сидения в cash может быть покупка IEF, когда вне позы. 

Протестировано на инструментах:

SPY-cash: CAGR: 6.09%, Sharpe 0.55

SPY-IEF: CAGR 10.48%, Sharpe 0.95

XLV-IEF: CAGR 12.32%, Sharpe 1.12

Пример использования машинного обучения для торговли. Анализировалось поведение контрактов ZF (5 лет облиг) и ZF (10 лет облиги). Обрабатывалась трендовая составляющая - разница цены и скользящих средних (недельных и двухнедельных). В работе использовалась deep belief network, состоящая из машин Больцмана. Результат прогнозирования использовался для бэктеста, время удержания позиции 5 дней. Результаты: нормальной статистики доходности не дается, шарп судя по графику очень неплохой (больше ~2). Средняя годовая доходность ок. 2.8% (не забываем что это облигации).