Статья о моделировании поведения стакана. Его состояние рассматривается в зависимости от очереди бидов и асков, которые в свою очередь - марковский процесс. Вся необходимая модель есть в статье, вроде как позволяет оценивать вероятность движения вверх или вниз, волатильность. Описано все достаточно подробно.

Анализ регулярного выписывания put опционов на индекс SPX. ATM. Есть такой индекс, который реплицирует данную стратегию: CBOE S&P 500 PutWrite Index (ticker
PUT). С 1986 года по сентябрь 2008 - шарп 0.69, доходность11.27% в год. Проблема конечно что не входит 2008 год, но это легко исправить - данные тут: http://www.cboe.com/micro/put/. Если использовать их, то шарп тоже 0.69 получается, хотя доходность чуть ниже: 10.3% (с 1986 по январь 2016).

 

 

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%.

Продажа путов SPX с хеджированием фьючерсом на VIX. Основная описанная стратегия:

  • Каждую третью среду месяца продаем путы с экспирацией в следующем месяце и дельтой~0.2.
  • Хеджируем покупкой фьючерсов на VIX с maturity 40-90 календарных дней. Соотношение путов к фьючерсам: 10:1
  • Если IVTS=VIX/VIXM>1, сделку не открываем.

Дополнительные фильтры, стоп-лосс:

  • Выходим из сделки если МА(5)  VIX/VXV>1.05
  • Выходим из сделки если SPX<1.01*price
  • Выходим из сделки если убыток больше 15% базовой суммы
  • Если IVTS=VIX/VIXM>1.05 закрываем
  • Если сработал стоп-лосс и до конца месяца больше 2х недель и появляется возможность входа (стоп-лоссы нормализуются) - входим снова в сделку.

Результаты тестирования вполне приличные: 29% годовых при шарпе 1.21. Максимальный дродаун 5.9%. 

 

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.

Статистический арбитраж на 15-минутках. Брали совокупность акций (2100), тестировали на корреляцию (д.б. >0.9), затем на коинтеграцию по ADF. Тесты делали на окне три месяца. Торговля происходит при отклонении на 2 сигмы. Вроде как супер-шарп получился (9.25), но судя по всему не учитывали бид-аск. Что сильно ухудшит результаты. Но в целом интересно.

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. 

В статье описываются инструменты определения эмоций из речи. Практический смысл пока низок. 

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%

Статья об оптимальном выставлении ордеров с учетом разных площадок исполнения и возможностей разбивки ордеров. В целом интересно, но в основном брокерам наверное.

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.

Алгоритм определения оптимальных границ для статистического арбитража

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.

В статье приведены 101 эмпирическая аномалия, с формулами. Совокупный шарп по всем этим "стратегиям" (медиана) =2.2. Только вот доходность 0.4 цента на акцию. Что выше даже комиссии, не говоря уже о проскальзывании..

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.

Долго рассказывается какие проблемы возникают если торговать дисперсию волатильности индекс-корзина акций с с помощью стрэддлов. И типа это лучше делать с  помощь variance swaps. Но никаких деталей или исследования в статье нету. Пустая совершенно.

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. 

В основном анализировали настроения - брали их из базы Thomson Reuters MarketPsych Indices (TRMI). Брали получасовые изменения настроений и анализировали могут ли настроения предсказывать поведение рынка. Кром этого, брали технические факторы -  из статьи Gao, Han, Li, and Zhou (2015), согласно которой доходность первой получасовки и 12-й получасовки хорошо предсказывает поведение рынка в последние полчаса. Дополнительно анализировалось изменение викса в предыдущий день и состояние рынка (растет/падает за 252 дня). Сформировали и проверили стратегию торговли в последние полчаса - смотрим изменение сентимента в 10, 11 и 12 получасовку, данные в регрессию, торгуем в зависимости от прогноза. Шарп 1.07, 1.97  и 1.66 соотвественно. Если применять прочие предикторы - доходность в первые полчаса и 12 получасовку, изменение VIX за предыдущий день и состояние рынка - шарп 1.1-1.4

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).

Небольшая статья что напрямую использовать полученное с использованием GARCH-моделей предсказание волатильности нельзя. Хотя и обнаруживается достаточно хорошая предсказательная способность таких моделей по реализованной волатильности (RV) - к примеру знак однодневного изменения RV правильно предсказывается в 58% случаев, но с поведением RV и IV - тут не все так просто. И ладно бы это касалось только случаев с положительной доходностью - в таком случае рост RV понятно что ведет к снижению IV. Но и при небольших отрицательных доходностях наблюдается та же история. Только при сильно негативной доходности есть положительная зависимость. Чэн также протестировал стратегию - лонговать IV если ожидается отрицательное однодневное изменение RV и шортить в обратном случае. Вроде как шарп 1.2, но не проверял.

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.

Название статьи идет от байки, что если лягушку бросить в кипяток - она выпрыгнет, а если в холодную воду, которую постепенно нагревать - она сварится. Так мол и инвесторы не замечают небольшие изменения цены, даже когда те направлены в одну сторону. Вводится параметр information discreteness (ID), отражающий частоту таких небольших изменений. ID=sign(PRET)*(%neg-%pos), где накопительная доходность за период PRET, %neg и %pos - проценты отрицательных и положительных дневных приращений цены.

Авторы сделали двойное ранжирование выборки - сначала по 12-мес моментуму (определили квантили), затем по ID. И типа первая квантиль (дискретные доходности) дает -2.07% за 6 мес, а пятая (последовательные) +5.94%. Только вот непонятно, это как это накладывается на ранжирование по моментуму - первая ли это квантиль по моментуму, последняя ли или дискретные из первой (мом) а последовательные из пятой?

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

Обзор от alpha architect. Вместо стандартного моментума (ранжирование бумаг по относительной доходности) используется следующий механизм. Уровень децилей считается не ранжированием текущих значений,  а ранжированием все имеющейся статистики (с доисторических времен). То есть, чтобы определить cutoff 01.01.1965 считаются 12 мес. доходности на 01.01.1927,01.01.1928, 01.01.1929..01.01.1964 по всем имеющимся тикерам. Далее уже по ним строятся децили и определяется катофф для первого и десятого. Это дает очень стабильный его уровень (для лучшего дециле: ~0.6, для худшего минус 0.35-0.4). 

Соответственно, формируются портфели (равное взвешивание). Результат: 

Шарп 0.88, CAGR 25.28%

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).

В статье описан поиск коррелированных пар и групп акций методом главных компонент (применяется к матрице корреляций всех доходностей акций в выборке). Делали для австралийского рынка акций, пары конечно нашли. Но чем такой способ лучше просто сравнения корреляций (к примеру берем пары с корреляцией выше определенного порога) я не очень понимаю.

В статье описывается воздействие новостей компаний на доходность. Показано, что направление дневной доходности может быть предсказано статистически значимо, при компьютерном анализе новостей. Использованы алгоритмы state-of-the-art text analysis. Анализировали формы 8-К - сообщения компаний о существенных событиях. Определяли по моделям Latent Dirichlet Allocation (тулбокс доступен)и прогоняли через random forest. Результат: out-of-sample угадывается 55% направлений доходности (рост/падение).

Страницы