استراتژی آربیتراژ آماری بر مبنای مدل‌های عاملی قیمت سهام در بورس تهران
محورهای موضوعی : دانش سرمایهگذاریفریماه مخاطب رفیعی 1 , کامیار نوربخش 2
1 - دانشیار دانشگاه تربیت مدرس، دانشکده مهندسی صنایع و سیستم‌ها
2 - دانش آموخته کارشناسی ارشد مهندسی صنایع گرایش سیستم‌های مالی، دانشگاه تربیت مدرس، (نویسنده مسئول)
کلید واژه: آربیتراژ آماری, مدل‌های عاملی, تحلیل اجزای اصلی,
چکیده مقاله :
استراتژی‌های آربیتراژ آماری به دنبال کشف فرصت‌های سودده با استفاده از روش‌های آماری هستند. ما در این مقاله از رویکرد جدیدی برای طراحی یک استراتژی آربیتراژ آماری متناسب با بورس تهران استفاده می‌کنیم. در این رویکرد پیشنهادی جدید، بجای اینکه قیمت سهام مختلف به صورت مستقل مدل‌سازی و پیش‌بینی شود، آن‌ها را به صورت یک کل در نظر می‌گیریم و الگوهای حرکتی مشترک بین آن‌ها که می‌تواند بیانگر حرکات کلی بازار باشد، را با استفاده از روش تحلیل اجزای اصلی شناسایی می‌کنیم. بعد از آن رفتار این الگوها (عامل‌ها) را مدل‌سازی و پیش‌بینی کرده و از طریق آن‌ها، بازدهی سهام را در آینده پیش‌بینی می‌کنیم. در نهایت سبدی از سهام منتخب در هر دوره تشکیل می‌دهیم. نتایج تجربی حاصل از این مقاله نشان‌دهنده سودده بودن این استراتژی‌ها است به طوری که استراتژی منتخب با پنجره زمانی 100 روزه و افق پیش‌بینی 1 روزه، بدون در نظر گرفتن هزینه معاملاتی توانست بازدهی متوسط سالیانه 115% را فراهم کند.
Statistical Arbitrage Strategies are looking for profitable opportunities using statistical methods. In this paper, we use a new approach to devise a statistical arbitrage strategy in Iran’s stock exchange market. In this new approach, instead of model and forecast stock prices independently, we take them as a whole and extract their common movement patterns, which can represent the general market movements, with principal component analysis. After that, we model and forecast these patterns (factors) and through them, we forecast the stock returns. Ultimately, we construct portfolios from chosen stocks in each period. Empirical result of this paper show the profitability of these strategies. chosen strategy, with time window of 100 days and forecasting horizon of 1 day could made the average annual return of 115%, without considering the transaction costs.
* احمدزاده، عزیز; یاوری، کاظم و صالح آبادی، علی (1393). آزمون آربیتراژ آماری در بورس اوراق بهادار تهران. فصل‌نامه پژوهش‌ها و سیاست‌های اقتصادی. شماره 70: 268-247
* Alexander, C., (1999). Optimal hedging using cointegration. Philosophical Transactions of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, 357(1758):2039-2058.
* Alexander, C. and Dimitriu, A., (2002). The cointegration alpha: Enhanced index tracking and long-short equity market neutral strategies.
* Avellaneda, M. and Lee, J.H., (2010). Statistical arbitrage in the US equities market. Quantitative Finance, 10(7):761-782.
* Barhoumi, K., Darné, O. and Ferrara, L., (2013). Dynamic factor models: A review of the literature.
* Bertram, W.K., (2010). Analytic solutions for optimal statistical arbitrage trading. Physica A: Statistical Mechanics and its Applications, 389(11):2234-2243.
* Black, F., (1972). Capital market equilibrium with restricted borrowing. The journal of business, 45(3):444-455.
* Eklund, J. and Kapetanios, G., (2008). A review of forecasting techniques for large data sets. National Institute Economic Review, 203(1):109-115.
* Focardi, S.M., Fabozzi, F.J. and Mitov, I.K., (2016). A new approach to statistical arbitrage: Strategies based on dynamic factor models of prices and their performance. Journal of Banking & Finance, 65:134-155.
* Geweke, J., (1977). The dynamic factor analysis of economic time series. Latent variables in socio-economic models.
* Hogan, S., Jarrow, R., Teo, M. and Warachka, M., (2004). Testing market efficiency using statistical arbitrage with applications to momentum and value strategies. Journal of Financial economics, 73(3): 525-565.
* Jarrow, R.A., Teo, M., Tse, Y.K. and Warachka, M., (2005). Statistical arbitrage and market efficiency: Enhanced theory, robust tests and further applications.
* Jarrow, R., Teo, M., Tse, T.Y., Warachka, M., (2012). An improved test for statistical arbitrage. Journal of Financial Markets 15:47–80.
* Laloux, L., Cizeau, P., Potters, M. and Bouchaud, J.P., (2000). Random matrix theory and financial correlations. International Journal of Theoretical and Applied Finance, 3(03):391-397.
* Lintner, J., (1965). Security prices, risk, and maximal gains from diversification. The journal of finance, 20(4):587-615.
* Pena, D. and Box, G.E., (1987). Identifying a simplifying structure in time series. Journal of the American Statistical Association, 82(399): 836-843.
* Pole, A.,(2007) Statistical Arbitrage: Algorithmic Trading Insights and Techniques.
* Sargent, T.J. and Sims, C.A., (1977). Business cycle modeling without pretending to have too much a priori economic theory. New methods in business cycle research, 1:145-168.
* Sharpe, W.F., (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. The journal of finance, 19(3):425-442.
* Vidyamurthy, G., (2004). Pairs Trading: quantitative methods and analysis (Vol. 217). John Wiley & Sons
_||_