Utvärdering av parhandelstrategi på den brasilianska finansmarknaden Sammanfattning: Parhandel är en populär handelsstrategi som försöker dra nytta av ineffektiviteten för att få vinst. Tanken är enkel: hitta två lager som rör sig tillsammans och ta långa positioner när de avviker onormalt och hoppas att priserna kommer att konvergera i framtiden. Från den akademiska synpunkten av svag marknadseffektivitetsteori bör parhandelstrategin inte presentera positiva resultat eftersom det faktiska priset på ett aktieinnehav återspeglar dess tidigare handelsdata, inklusive historiska priser. Detta lämnar oss med en fråga, vilket innebär att parhandelstrategi ger positiva resultat för den brasilianska marknaden. Huvudsyftet med denna forskning är att verifiera prestanda och risk för parhandel på den brasilianska finansmarknaden för olika frekvenser i databasen, dagligen, veckovis och månatliga priser för samma tidsperiod. Den viktigaste slutsatsen i denna simulering är att parhandelstrategin var en lönsam och marknadsneutral strategi på den brasilianska marknaden. Sådan lönsamhet var konsekvent över en region i strategysparametrarna. De bästa resultaten hittades för högsta frekvensen (dagligen) vilket är ett intuitivt resultat. Relaterade verk: Det här föremålet kan vara tillgängligt någon annanstans i EconPapers: Sök efter föremål med samma titel. Exportreferens: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Fler papper i MPRA-papper från Universitetsbiblioteket i München, Tyskland Ludwigstrae 33, D-80539 München, Tyskland. Kontaktinformation på EDIRC. Seriedata som underhålls av Joachim Winter (). Den här sidan är en del av RePEc och all data som visas här är en del av RePEc-datamängden. Är ditt arbete saknat från RePEc Så här bidrar du till. Frågor eller problem Kontrollera EconPapers FAQ eller skicka mail till. Evaluering av par handelsstrategi på den brasilianska finansmarknaden ANDERSON, K. BROOKS, C. (2006) Nedbrytning av Price-Earnings Ratio, Journal of Asset Management, v. 6, p . 456-469. BALSARA, N. ZHENG, L. (2006) Utvinning från tidigare vinnare och förlorare, Journal of Asset Management. V.6, sid. 329-344. BROOKS, C. KATSARIS, A. PERSAND, G. (2005) Timing är allt: en jämförelse och utvärdering av marknadsstrategier, arbetspapper, tillgängligt på SSRN: ssrnabstract834485. CHEN, A. LEUNG, M. T. DAOUK, H. (2003) Användning av neurala nätverk på en framväxande finansmarknad: Prognos och handel med Taiwans aktieindex. Datorer Amp Operations Research, v. 30, sid. 901923. DIMSON, E. MUSSAVIAN, M. (1998) En kort historia av marknadseffektivitet. European Financial Management, v. 4, sid. 91-193. Dueker, M. J. NEELY, C. J. (2006) Can Markov Switching Models förutspår överflödig avkastning på utländsk valuta, arbetspapper, Federal Reserve Bank of St. Louis. EFETKHARI, B. (1997) Markov Regime Switching-modellen som handelsverktyg, Working Paper, University of Cambridge. FAMA, E. (1991) Effektiva kapitalmarknader: II, Journal of Finance, v. 46, sid. 1575-1617. FAMA, E. FRENCH, K. (1992) Tvärsnittet av förväntad aktieavkastning, Journal of Finance, v. 47 (2), sid. 427-465. FERNNDEZ-RODRGUEZ, F. RIVERO, S. S. FELIX, J. A. (2002) Närmaste grannförutsägelser på valutamarknaden, Working Paper, n. 05, FEDEA. FERNNDEZ-RODRGUEZ, F. SOSVILLA-RIVERO, S. GARCA-ARTILES, M. (1997) Med hjälp av närmaste grannpredictorer för att prognostisera den spanska aktiemarknaden undersöker Econmicas, v. 21, sid. 75-91. FERNNDEZ-RODRGUEZ, F. SOSVILLA-RIVERO, S. GARCA-ARTILES, M. (2001) En empirisk utvärdering av icke-linjära handelsregler, Working Paper, n. 16, FEDEA. FRENCH, K. (1980) Stock Returns och Weekend Effect, Journal of Financial Economics, mars, s. 55-69. GATEV, E. GOETZMANN, W. N. ROUWENHORST, K. G. (1999) Parhandel: Prestanda av en arbitrageordning med relativ värde, arbetspapper, Yale School of Management. Finns på SSRN: ssrnabstract141615. MURPHY, J. (1999) Teknisk analys av finansmarknaderna, New York Institute of Finance, New York. NATH, P. (2003) High Frequency Par Trading med US Treasury Securities: Risker och belöningar för Hedge Funds, Working Paper, London Business School. PARK, C. IRWIN, C. (2004) Lönsamheten för teknisk analys: En granskning. AgMAS Project Research Report, n. 04. PERLIN, M. S. (2006) Icke-parametrisk modellering i Major Latin America Market Indexes: En analys av prestanda från den närmaste grannalgoritmen i handelsstrategier, BALAS Conference, LimaPeru. SIGANOS, A. CHELLEY-STEELEY, P. (2006) Momentum vinst efter Bull and Bear Markets, Journal of Asset Management, V. 6, sid. 381-388. VIDYAMURTHY, G. (2004) Parhandel: Kvantitativa metoder och analys, John Wiley amp Sons. Evaluering av parhandelsstrategi på den brasilianska finansmarknaden Citera denna artikel som: Perlin, M. J Deriv Hedge Funds (2009) 15: 122.par: 10.1057jdhf.2009.4 Parhandel är en populär handelsstrategi som försöker dra nytta av ineffektiviteten för att få vinst. Tanken är enkel: hitta två lager som rör sig tillsammans och ta långa positioner när de avviker onormalt och hoppas att priserna kommer att konvergera i framtiden. Från den akademiska synpunkten av svag marknadseffektivitetsteori bör parhandelstrategin inte ge positiva resultat, eftersom det faktiska priset på ett aktieinnehav återspeglar sina tidigare handelsdata, inklusive historiska priser. Detta ger oss en fråga: visar parhandelstrategin en positiv utveckling för den brasilianska marknaden. Huvudsyftet med denna forskning är att verifiera prestanda och risk för parhandel på den brasilianska finansmarknaden för olika frekvenser i databasen: dagligen, vecko - och månadspriser för samma tidsperiod. Den huvudsakliga slutsatsen i denna simulering är att parhandelstrategin var en lönsam och marknadsneutral strategi på den brasilianska marknaden. Sådan lönsamhet var konsekvent över en region i strategysparametrarna. De bästa resultaten hittades för högsta frekvensen (dagligen) vilket är ett intuitivt resultat. Parhandelens kvantitativa strategiska tillgångsfördelande Marknadseffektivitet tillväxtmarknader INLEDNING Marknadseffektivitetsteori har testats av olika typer av forskning. Ett sådant begrepp postulerar i sin svaga form att aktiehandelens tidigare handelsinformation återspeglas i dess värde, vilket innebär att historiska handelsdata inte har någon potential att förutsäga framtida beteende av tillgångspriser. Den huvudsakliga teoretiska konsekvensen av detta koncept är att inga logiska handelsregler baserade på historiska data borde ha en signifikant positiv överdriven avkastning över någon referensportfölj. I motsats till marknadseffektivitetsteori har flera papper visat att tidigare information i viss utsträckning kan förklara framtida aktiemarknadsavkastning. Sådan förutsägbarhet kan uppträda på olika sätt, inklusive tidsavvikelser (dagen för den svaga effekten 1) och korrelationen mellan tillgångarnas avkastning och andra variabler. 2 En mer omfattande översyn av marknadseffektivitetsämnet kan lätt hittas i litteraturen. 3. 4 En respektabel mängd papper har försökt använda kvantitativa verktyg för att modellera marknaden och bygga handelsregler. Grundtanken för denna typ av forskning är att leta efter någon form av mönster i det historiska aktiekursbeteendet, och med endast historisk information ta hänsyn till ett sådant mönster för skapandet av långa och korta handelspositioner. En av de mest populära metoderna för att modellera marknaden och leda till logiska regler är teknisk analys. 5 En sådan teknik är baserad på kvantitativa indikatorer (bland annat glidande medelvärden) och även visuella mönster (huvud och axlar, trippel topp osv.) För att identifiera in - och utgångspunkter på kortfristiga uppträdande av aktiekurserna. Populariseringen av teknisk analys leder till ett antal test, vars syfte var att verifiera om sådana verktyg var lönsamma eller inte. Det är värt att konstatera att även om flertalet av dokumenten har visat att teknisk analys är lönsam kan flera problem hanteras med sådana studier, inklusive data-snoopingproblem, transaktionskostnader och likviditet. All denna ofullständighet i forskningen gör teknisk analys ett ämne att studeras vidare. 6 Med tillkomsten av datorstyrka i slutet av 1990-talet kunde mer sofistikerade matematiska metoder användas vid handelsregler. Ett exempel är användningen av närmaste granne (NN) - algoritmen i handelsstrategier. 7. 8. 9. 10 NN-algoritmen är en icke parametrisk metod för modellering av tidsserier där huvudprincipen är att serien kopierar sitt eget beteende på ett fraktalt sätt, det vill säga vi hittar liknande data data från det förflutna och använd dem som riktmärke för att förutse framtida observationer. Den huvudsakliga slutsatsen som dras av resultaten som presenteras på förutsägbarhetspotentialen för denna metod är att den kan förutsäga korrekt marknadsriktning för de flesta prognostiserade finansiella observationerna. Men det är viktigt att påstå att bevisen inte var stark i alla studier. I fråga om handelsstrategier baserade på parametriska modeller, 11. 12 dessa refererade papper baserade prognoserna på regim-switchmodellen, där resultaten indikerade att metoden kan förutsäga de finansiella tidsserierna som undersöktes i varje enskilt fall. Andra typer av strategier som använder kvantitativa formuleringar inkluderar tidpunkten för marknaden med grundläggande eller statistiska modeller 13. 14 och momentumstrategier. 15. 16 Resultaten från dessa papper är också positiva. En populär strategi som fick rykte i början av 1980-talet är den så kallade parhandeln. Denna metod har utformats av ett team av forskare från olika områden (matematik, datavetenskap, fysik osv.) Som samlades av Wall Street quant Nunzio Tartaglia. Huvudsyftet med detta lag var att använda statistiska metoder för att utveckla datorbaserade handelsplattformar, där den mänskliga subjektiviteten inte hade något inflytande i beslutsprocessen för att köpa eller sälja ett visst lager. Sådana system var ganska framgångsrika under en tidsperiod, men resultatet var inte konsekvent efter ett tag, och laget avmonterades efter några perioder med dålig prestanda. Mer detaljer om ursprunget till parhandel finns på Vidyamurthy 17 och Gatev. 18 I grunden är den centrala ideen om parhandel att dra nytta av marknadsinteffektiviteten. Det första steget är att identifiera två lager som rör sig tillsammans och handlar dem varje gång det absoluta avståndet mellan prisbanorna ligger över ett visst tröskelvärde. Om aktierna efter divergensen återvänder till symmetrins historiska beteende, förväntas det att det högsta priset kommer att ha en värdeminskning och den med det lägsta priset kommer att öka. Alla långa och korta positioner tas enligt denna logik. De specifika detaljerna om val av par och definiering av tröskelvärdet i parhandel anges i detta pappers räckvidd. Huvudsyftet med denna forskning är att undersöka lönsamheten och risken för parhandelstrategin för den brasilianska aktiemarknaden. Denna handelsregel gav en positiv prestation i tidigare studier, 18. 19 och det här är en av motiven i denna studie tillsammans med det faktum att denna typ av forskning ännu inte har tillämpats på den brasilianska marknaden. För att nå målet, används data från tre olika frekvenser (dagligen, veckovis och månatligt) och alla avkastningar från de logiska reglerna jämförs med en nave-strategi för buy-and-hold och även mot en bootstrap-metod för slumpmässig handel . Den systematiska risken och den filtrerade konstanta avkastningen (Jensens Alpha) av sådana strategier ingår också i analysen. Detta dokument är organiserat enligt följande: Den första delen är relaterad till metodens huvudriktlinjer, inklusive hur paren bildas, de logiska reglerna för handel och prestationsbedömning. För det andra presenteras och diskuteras resultaten, följt av några avslutande anmärkningar. METODOLOGI Metoden för denna forskning innefattar två punkter: (1) Hur man utlöser en longshort-position baserad på parhandelstrategi i varje lager och (2) Hur man utvärderar handelssignalernas prestanda. Alla beräkningar för detta papper genomfördes på Matlab. Alla funktioner som används för att genomföra och utvärdera strategin finns tillgängliga på mathworksmatlabcentralfileexchange (nyckelord: parhandel). Stegen i varje algoritm är täckta enligt följande. Val av par I parformationsfasen är grundsidan att ta med alla tillgångspriser till en viss enhet och söka sedan två lager som rör sig tillsammans. Kvantitativt sett kan detta utföras på många olika sätt. Tillvägagångssättet som används i detta papper är minsta kvadrerad avståndsregel, vilket betyder att för varje lager kommer det att finnas en sökning efter ett motsvarande par som erbjuder minsta kvadrerade avståndet mellan den normaliserade prisserien. Anledningen till enhetstransformationen är enkel. Användningen av ursprungliga priser (utan normalisering) skulle vara ett problem för minsta kvadrerade distansregel eftersom två lager kan röra sig samtidigt som de har en hög kvadrerad avstånd mellan dem. Efter normaliseringen bringas alla lager till samma standardenhet och detta möjliggör en kvantitativt rättvis bildning av par. Den omvandling som används är normaliseringen av prisserien baserat på dess genomsnittliga och standardavvikelse, ekvationer (1). Värdet av P är det normaliserade priset på tillgången i vid tid t. E (P det) är bara förväntan på P det. i detta fall genomsnittet, och jag är standardavvikelsen för respektive aktiekurs. Båda indexerna beräknades inom ett visst rörligt fönstret i tidsserierna. Med användning av ekvation (1). alla priser omvandlas till samma normaliserade enhet, vilket tillåter användning av minsta kvadrerade avståndsregeln. Nästa steg är att välja, för varje lager, ett par som har minsta kvadrerade avstånd mellan de normaliserade priserna. Detta är en enkel sökning i databasen, med endast tidigare information upp till tiden t. Det normaliserade priset för tillgångsparet I är nu adresserat som det. När paret av varje aktie har identifierats kommer handelsregeln att skapa en handelssignal varje gång det absoluta avståndet mellan P det och p är högre än d. Värdet på d är godtyckligt, och det representerar filtret för skapandet av en handelssignal. Värdet kan varken vara mycket högt, annars kommer endast några få handelssignaler att skapas, det kan inte vara för lågt, eller regeln blir för flexibel, vilket kommer att resultera i för många affärer och därmed högt värde av transaktionskostnaderna . När en handelsskylt har skapats är nästa steg att definiera de positioner som tagits på aktierna. Enligt parhandelsstrategin, om värdet på P är högre (lägre) än p det. då hålls en kort (lång) position för tillgången i och ett långt (kort) läge görs för paret av tillgången i. En sådan position hålls tills den absoluta skillnaden mellan det normaliserade priset är lägre än d. Det kan låta kontraintuitivt, som med kontinuerligt prisbeteende, om man köper när avståndet är d och säljer det när avståndet är igen d. det finns ingen vinst. Men kom ihåg att priserna var i diskret tid, vilket innebär att köpeskillingen uppstår när avståndet är högre än d. och därför är det förväntade resultatet positivt. För parhandel vid ungefärlig kontinuerlig tid (till exempel 5 min citat) kan detta enkelt anpassas genom att man ställer ett gap mellan tröskeln för köpoperationen och för försäljningsoperationen. Huvudlogiken bakom det förväntade resultatet av parhandelsstrategin är om den korrelerade rörelsen mellan paren fortsätter i framtiden då när avståndet mellan en tillgång och dess par är högre än ett visst tröskelvärde (d) finns det en god möjlighet att sådana priser kommer att konvergera i framtiden, och detta kan undersökas för vinstsyfte. Om avståndet är positivt, då är värdet på P det. enligt logiken uttryckt tidigare, kommer sannolikt att minska i framtiden (kort position för tillgången i) och värdet på p kommer sannolikt att öka (lång position för paret i). Samma logik gäller för de fall där avståndet är negativt. De situationer där parhandel inte uppnår vinst är en ökning av avståndet mellan P och P. där marknaden går motsatt av förväntan och också en minskning (ökning) på priset på den långa (korta) positionen. Som exempel visar figur 1 parhandelstrategin för veckopriser för tillgången TNLP4 och dess par TNLP3. Exempel på parhandel med TNLP4 och TNLP3 med d 1. I Figur 1. TNLP3 är det hittade paret TNLP4 baserat på minsta kvadrerade avståndskriterier. Det är möjligt att se att båda normaliserade priserna har ett liknande beteende. På punkterna som har en blå cirkel eller den röda triangeln har den absoluta skillnaden i de normaliserade priserna korsat värdet på d. vilket innebär att en handel har ägt rum. De blå cirklarna (röda trianglarna) är de korta (långa) positionerna som skapats. Detta händer varje gång det absoluta avståndet är högre än 1 och värdet av den analyserade tillgången är högre (lägre) än dess par. Varje gång den absoluta skillnaden krossar värdet av d. positionerna är stängda. Om tillgångarna, efter att en position har öppnats, flyttar tillbaka till det historiska förhållandet, då den som har det högre priset bör ha en minskning av priserna och den med det lägre priset bör öka. Eftersom en kort position gjordes för den första tillgången och en lång position för den andra, då, om båda priserna uppför sig historiskt, kommer en vinst att härröra från detta handelsfall. Det här är hela tanken bakom parhandel som gör vinst ut ur marknadsrättaelser. Bedömning av strategins prestation Ett av syftena med denna studie är att utvärdera prestandan för parhandelstrategin mot en nave-strategi. För detta ändamål används två metoder här. Den första är beräkningen av strategins överdrivna avkastning över en korrekt vägd portfölj, och den andra är användningen av bootstrap-metoder för att utvärdera handelsregelns prestanda mot användningen av slumpmässiga par för varje aktie. Beräkning av strategys avkastning Beräkningen av strategisk totalavkastning utförs enligt följande formel, ekvation (2): Dummy-variabel som tar värde 1 om en lång position skapas för tillgången i. värde 1 om en kort position skapas och 0 annars. När en lång position görs vid tid t. Denna variabel adresseras som jag det L och som jag S för korta positioner. Vägningsvariabel som styr för portföljkonstruktion vid tid t. I det här papperet är den simulerade portföljen lika stor. vilket innebär att varje handelsposition kommer att ha samma vikt vid tiden t. det vill säga W det 1 (I 1 n I det L amp S). Naturligtvis är summan av W för alla tillgångar lika med 1 eller noll (ingen handelsposition vid tid t). Dummy-variabel som tar värde 1 om en transaktion görs för tillgången i i tid t och noll annars. Det är viktigt att skilja värdena för I it L amp S (långa och korta positioner) från Tc it (transaktionsdummy). Värdena för Tc det härledas från vektorn I it L amp S. men de är inte lika. Antag att en lång position skapas för tillgången i i tid t 1 och även på tiden t, bara. Vektorn av I it L kommer att ha värden 1 till tiden t 1 och t. men vektorn av Tc den har bara värdet 1 för tiden t 1, som för t. tillgången var redan i portföljen, och därmed behöver man inte köpa den igen. Detsamma gäller för korta positioner. Transaktionskostnad per transaktion (i procent). Antal observationer under hela handelsperioden. För ekvation (2). Grundidén är att beräkna avkastningen från strategin som redovisar transaktionskostnader. Den första delen av (1), t 1 T i 1 n R it I it L amp S W den beräknar strategins totala rååtergång. Varje gång en lång och kort position skapas för tillgången i. Den simulerade portföljens rika avkastning i tid t är i 1 n R it I it L amp S W it. det vill säga de prospekterade avkastningarna multiplicerat med motsvarande vikt i portföljen. När t går från 1 till T. Det är nödvändigt att summera sådana avkastningar, vilket ger slutresultatet för den första delen av (1), t 1 T i 1 n R it I it L amp S W it. Den andra delen av ekvation (2) syftar till att redovisa transaktionskostnader. Antag exempelvis att handelskostnaden för köp och försäljning av aktier är C. vilket uttrycks i procent av transaktionspriset. Om ett lager köps till priset P B och säljs till pris P S. då är de reala köp - och försäljningspriserna, inklusive transaktionskostnader, P B (1 C) och P S (1 C). Om logaritmen returnerar operationen resulterar i formeln R ln (P S (1 C) P B (1 C)). Med hjälp av logaritmegenskaper blir föregående ekvation R ln (P S P B) In ((1 C) (1 C)). Det är möjligt att se från detta resultat att avkastningen för denna operation har två separata komponenter: logaritmen återvänder från skillnaden mellan försäljnings - och köppriserna och termen ln ((1 C) (1 C)), som står för transaktionen kostar på hela verksamheten. Detta exemplifierade resultat anger i grunden att transaktionskostnaden för en operation (köp och sälj) är ln ((1 C) (1 C)). Återgår till analysen av andra delen av ekvationen (1). som ln ((1 C) (1 C)) är transaktionskostnaden för en operation, logiskt är termen (t 1 T i 1 n Tc it) bara antalet transaktioner som gjorts av handelsstrategin. Det är viktigt att notera att som (1 C) (1 C) alltid är mindre än en eftersom C alltid är positiv och högre än noll, är värdet av ln ((1 C) (1 C)) alltid negativt, vilket betyder att Transaktionskostnaderna subtraheras från strategys avkastning, vilket är ett intuitivt resultat. Utvärdering av strategys avkastning För att kunna utvärdera strategins resultat är det nödvändigt att jämföra det med en nave-strategi. Om strategin fungerar väsentligt bättre än en out-of-skill-investerare, har en sådan handelsregel ett värde. Detta är huvudidén som kommer att utveckla båda metoderna som används i denna forskning för att utvärdera prestationen av parhandelstrategin för den brasilianska finansmarknaden. Tillvägagångssätten som beskrivs här är beräkning av överdriven avkastning över en nave buy-and-hold-regel och den mer sofistikerade bootstrap-metoden för slumpmässig handel. Beräkning av överdriven avkastning av en portföljen: Beräkningen av överdriven avkastning är det enklaste sättet att utvärdera en handelsstrategi. Tanken är ganska enkel: verifiera hur mycket av avkastningen från den testade strategin överstiger en skeppsregel. I det här fallet är nave-regeln köp och håll på en korrekt viktad portfölj för jämförelse med de långa positionerna och en sälj-och-nackdel för de korta positionerna. Återgången av nave-tillvägagångssättet, över hela tillgången, är baserad på följande formel, ekvation (3): Eftersom parhandelsstrategi använder två olika typer av position på aktiemarknaden, längtar på hoppet om en prisökning och kort för hoppet om en prisminskning är det nödvändigt att bygga en portfölje som också använder sådana positioner. Detta är funktionen av villkoren i 1 n P i L t 1 TR det och jag 1 n P i S t 1 TR det där den första simulerar en buy-and-hold (långa positioner) av en korrekt viktad portfölj och den andra simulerar ett sälj-och-unhold-system (korta positioner) för en annan riktigt viktad portfölj. Vikten i båda termerna härleds av antalet långa och korta positioner som tas på varje tillgång, som tidigare visat. Ju högre antal långa och korta signaler en strategi gör för tillgången i. Ju högre vikt som ett sådant lager kommer att ha på den simulerade portföljen. Det framgår av ekvation (3) att, om P i S P i L. vilket är en fullständigt säkrad position för tillgång I i referensportföljen, villkoren i 1 n P I L 1 TR det är 1 n P i S t 1 TR det noll varandra och bidraget av den ackumulerade avkastningen för den respektive tillgången i referensportföljen är endast transaktionskostnaden för upprättandet av portföljerna. Det bör noteras att beräkningen av avkastning i ekvation (3) inte inkluderar W-variabeln som i ekvation (2). Detta beror på att den refereedekvationen beräknar summan av förväntad avkastning av en nave lång och kort position för alla tillgångar, och inte den simulerade portföljens återvändande över tiden (ekvation (2)). Som kan ses från ekvation (3). En av forskningsplatserna är att transaktionskostnaden per operation är densamma för långa och korta positioner. Den sista terminen i (3) är transaktionskostnaderna för att öppna positioner (göra portföljen) och handla dem vid periodens utgång. I detta fall är antalet transaktioner som krävs för att bilda och stänga de två portföljerna 2 n där n är antalet undersökta tillgångar. Den överdrivna avkastningen för strategin ges av skillnaden mellan (2) och (3), som utgör den slutliga formeln för att beräkna överdriven avkastning: ekvation (4). Bootstrap-metod för bedömning av parhandelens prestanda: Uppstartsmetoden är ett sätt att jämföra strategins handelssignaler mot ren chans. Grundidén är att simulera slumpmässiga poster på marknaden, spara totalavkastningen för varje simulering och räkna hur många gånger dessa slumpmässiga poster var mindre än den avkastning som erhölls i den testade strategin. Ett sådant tillvägagångssätt liknar Patrick Burns idéer. 20. 21 Det bör noteras att varje handelsstrategi tar ett annat antal långa och korta positioner och för ett annat antal dagar. Sådan information tas också med i slumpmässiga simuleringar. Stegen är enligt följande: Separat, för lång och kort position, beräkna medianantalet dagar (nDaysLong och nDaysShort) att strategin har handlat på marknaden, samt medianantalet av tillgångar (nAssetsLong och nDaysShort). Med värdena för nDays och nAssets för lång och kort definierar nDays slumpmässiga poster på marknaden för nAssets antal tillgångar. Återigen gör det klart att denna procedur bör upprepas för varje typ av handelsposition (lång och kort). Upprepa steg 1 och 2 m antal gånger, spara den ackumulerade råavkastningen (totalavkastning minus transaktionskostnader) för varje gång. Efter ett stort antal simuleringar, till exempel m 5000, blir resultatet för bootstrap-metoden en fördelning av avkastningen. Testet här är att verifiera den procentuella avkastningen som den testade strategin har slagen jämfört med användningen av slumpmässig handel. Som ett exempel är nästa histogrammet för de ackumulerade avkastningarna från användningen av bootstrap-algoritmen för den dagliga databasen med alternativ m 5000, n DaysLong400, n DaysLong250, n AssetsLong5, n AssetsShort3 och med nolltransaktionskostnad. Figur 2 visar att, med tanke på de alternativ som ges till algoritmen, skulle en out-of-skill-investerare i genomsnitt få en total råvaru av cirka 10 procent. Det bästa fallet för fartygsinvesterare är cirka 74 procent och det värsta är 70 procent. Histogram för de ackumulerade avkastningarna från slumpmässig handel. Nästa steg i att använda detta bootstrap-tillvägagångssätt är att räkna antalet gånger som den ackumulerade avkastningen från parhandeln är högre än den ackumulerade avkastningen från den slumpmässiga handelssignalen, och dela upp det med antalet simuleringar. Resultatet är en procentandel som visar hur många slumpmässiga signaler den testade strategin har slagit. Om en sådan strategi har värde skulle den producera något nära 90 procent. Om det bara är ett chansfall skulle det ge en procentandel på nära 50 procent, och om strategin inte presenterar något värde skulle det resultera i en procentandel på nära 10 procent, vilket innebär att det i det här fallet Det går att få högre avkastning genom att bara använda ett slumpmässigt utsäde för att välja tillgångar och dagar att handla. Ett sätt att analysera resultatet av bootstrap-algoritmen är att jämföra de val som gjorts av handelsstrategin, det vill säga dagar och tillgångar att handla, mot en förväntad avkastning för samma dagar och antal branscher över hela undersökta data. Databas för forskningen Databasen för denna forskning baseras på de 100 mest likvida bestånden från den brasilianska finansmarknaden mellan 2000 och 2006. Studien syftar till att bedöma prestanda och risk för parhandel för olika frekvenser av data: dagligen, veckovis och månatliga priser. Eftersom det finns några likviditetsproblem för några få fall, måste databasen omkonfigureras för varje frekvens. Regeln här är att välja de bestånd som har minst 98 procent av giltiga slutkurs. Det resulterande antalet bestånd efter appliceringen av filtret visas i tabell 1. Databas enligt tidsseriefrekvens a Av 100 bestånd. För tabell 1 är den stora minskningen i den undersökta databasen för den dagliga frekvensen, där endast 57 aktier valdes efter filtrering för lager med mindre än 98 procent av slutkurserna. För vecko - och månadspriser var sådan filtrering inte ett problem, och de flesta av bestånden från den ursprungliga databasen hölls. För fall av saknade priser ersattes de helt enkelt av det tidigare priset, vilket sätter logaritmen tillbaka i det datumet till noll. Varje test av handelsstrategi har två faser i forskningsdata: träningsperioden och handelsperioden. För denna studie är träningsperioden ett rörligt fönster som består av cirka 2 års data för alla frekvenser. För dagliga priser har en sådan rörlig fönstret en längd på 494, för veckopriser på 105 och för årlig frekvens på 24. En annan fråga vid genomförandet av parhandelsstrategin över data är att varje aktie kan byta sina par över tiden. För att bedöma en sådan möjlighet uppdateras paret av varje lager varje månad för alla testade frekvenser. Till exempel, för dagliga data, beräknas paren vid varje 25 observationer. Det är viktigt att notera att algoritmen inte använder framtida observation för att bygga handelsreglerna. Alla aspekter av strategin beräknas med endast tidigare information, vilket är ett nödvändigt antagande för en realistisk bedömning av en kvantitativ handelsstrategi. Tabell 2 presenterar avkastningen från parhandelstrategin vid de olika undersökta frekvenserna, med C 0,1 procent. Detta värde av transaktionskostnaden är realistiskt för den brasilianska aktiemarknaden och kan lätt uppnås med ett måttligt belopp av investerat kapital. Utvärdering av parhandeln returnerar för olika värden av d Uppstartsmetoden var baserad på 1.000 simuleringar för varje värde av d. alltid respekterar det mediana antalet dagar och tillgångar som strategin var på marknaden för varje typ av position. Före analysen av tabell 2 är en viktig observation att totalavkastningen inte bara är summan av avkastningen från de långa och korta positionerna. För den alltför stora och råa avkastningen, om kolumnen Långa positioner summerades med kolumnen Short Positions, motsvarar den inte kolumnen Total. Detta inträffar eftersom en tillgång kan ha ett köptecken och även ett säljtecken för samma tid t. as such stock can be the pair of other stock. If only short or long positions are analysed, the respective trading positions are valid, but when analysing the total return from both, a buy and sell sign, for the same asset at the same time, null each other. As can be seen, the difference is quite high, meaning that such an event has occurred very often. For the case of raw return, Table 2. which is simply the clean return of the strategy minus the transaction costs, it can be seen that the long positions were far more profitable than the short positions in all tested frequencies. This was expected, as the period of the study was clearly an upward-trending market, meaning that a short position would not make much money, as can be seen in the raw returns for the short signals, at different frequencies. Analysing the excessive returns of Table 2. it can be seen that the pairs-trading strategy was able to beat a properly weighted nave portfolio in most of the cases. Such a result is more consistent for the daily frequency in the interval of d between 1.5 and 2, and also for the monthly frequency in the whole tested interval of d . Verifying the relationship between d and number of trades, it is very clear that they are negatively correlated, as in the execution of the trading rules high (low) values of d presented a low (high) number of transactions. This can be easily explained by the fact that d is the threshold variable that controls when a price divergence is not considered normal. As d grows, fewer and fewer abnormal divergences are found, which consequently reduces the number of transactions made by the strategy. The bootstrap method presented at Table 2 shows that pairs trading is superior to the use of random trading signals (percentages of beaten random portfolios higher than 90) in just a few cases, more precisely for the data with daily frequency and with threshold value ranging from 1.5 to 2. There are also indications of positive performance of the bootstrap method over the monthly data with 2.6 d 3. But, given that only a few trades were made for this particular interval (4.08 per cent 3 observations), the result cannot be taken seriously regarding the performance of the pairs-trading strategy. A much clearer picture of positive performance is given in Panel A. Another piece of information provided in Table 2 is that the bootstrap method is much more restrictive for positive performance than the benchmark portfolio approach. Whereas the last presented positive excess return for almost all values over the different panels, the last only resulted in positive performance for a couple of cases. It could be argued that the benchmark method is a static way of assessing performance, and the bootstrap method is superior in the sense that the way to assess nave performances is much more dynamic, and therefore superior. The best case in Table 2. when comparing returns and bootstrap methods, is for daily frequency, where the total raw returns presented a high percentage of beaten random portfolios, and also a positive and consistent excessive return at a particular domain of d . The performance of pairs-trading for weekly prices was not very consistent for different values of d and, for monthly prices, positive values of excessive returns were found, but the simulation of random portfolios showed that most of the raw returns obtained at this frequency were simply a case of chance, and not skill. The result of the superiority of higher frequencies in the pairs-trading framework is logically consistent, as the objective of pairs-trading is to take advantage of market corrections, and such inefficiency would, as expected, occur more often at high frequencies. The next step in this type of research could be to study the performance of pairs-trading at high-frequency data (intraday quotes), and check whether, again, the performance is higher at higher frequencies of the data. The next analysis pursued in the paper is the evaluation of the risk in the tested strategies ( Table 3) . Beta and jensens alpha for pairs trading a The betas and alphas are obtained with a regression of the vector with the strategies returns over time against the returns from Ibovespa (Broad Brazilian Market Index). Significant at 10 per cent. Regarding the Jensens Alphas in Table 3. which should be positive and statistically significant if the strategy has good performance independently of market conditions, it can be seen that, for Panel A, most of them are positive but not statistically significant. This particular result shows that pairs-trading strategy has a positive constant return after filtering for market conditions, but such a coefficient is not statistically significant. Another aim of this study relates to the risk of pairs-trading strategy. The values of systematic risk (beta) in Table 3 are very close to zero, and only one of them is statistically significant at 10 per cent. Such a result corroborates with the fact that pairs-trading is often called a market-neutral rule, meaning that the returns from such a strategy usually does not follow the market behaviour. This is intuitive because, in the pairs-trading framework, the number of long positions is equal to the number of short positions when there is no overlapping (short and long at the same time), which creates a natural hedge against the market movements. After the analysis of the information shown in Tables 2 and 3. it is possible to state that, for the Brazilian financial market, the positions created by the pairs-trading were a moderately profitable strategy in the past and, at the same time, neutral to the market-systematic movements. The best results were found at the database with daily frequency. For this particular database, the excessive returns obtained were consistent over a particular region of d . and the raw returns cannot be considered a simple case of chance. The conclusion about the profitability of pairs-trading corroborates with the previous research on the topic (Gatev 18 and Nath 19 ). Conclusions The main objective of this research was to verify the performance (return) and also the risk of classical pairs-trading in the Brazilian financial market at different time frequencies (daily, weekly and monthly). Such analysis was also carried out considering different values for the threshold parameter d . In order to achieve this objective, the returns from the strategies were compared against a properly weighted portfolio made with long and short positions at the beginning of the trading period, and also against a variant of the bootstrap method for assessing performance. The risk of the trading signals was obtained with the analysis of the systematic risk (beta) of the strategies. The main conclusion of this paper is that pairs-trading had a good performance when applied to the Brazilian financial market, especially for the daily frequency. The tests performed showed that the market rules presented betas very close to zero and not statistically significant at 10 per cent, which means that pairs-trading may be called a market-neutral rule. Regarding profitability, the best case was for daily frequency, where the interval of d between 1.5 and 2 presented consistent values of excessive return over a benchmark portfolio. The bootstrap approach also showed that the raw returns for this particular set of parameter were not given by chance, but by skill. However, it is also important to address a weakness of the research. The framework used in the study did not allow for liquidity risk of the strategy, which may be a negative factor affecting the realisable (and not measurable) returns. Given this fact, the results of positive performance can only be assessed given the constraints of the research. References French, K. (1980) Stock returns and the weekend effect. Journal of Financial Economics 8 (March): 5569. CrossRef Google Scholar Fama, E. and French, K. (1992) The cross-section of expected stock returns. Journal of Finance 47 (2): 427465. CrossRef Google Scholar Fama, E. (1991) Efficient capital markets: II. Journal of Finance 46: 15751617. CrossRef Google Scholar Dimson, E. and Mussavian, M. (1998) A brief history of market efficiency. European Financial Management 4: 91193. CrossRef Google Scholar Murphy, J. (1999) Technical Analysis of the Financial Markets. New York: New York Institute of Finance. Google Scholar Park, C. and Irwin, C. (2004) The Profitability of Technical Analysis: A Review. AgMAS Project Research Report, No. 04. Fernandez-Rodrigues, F. Sosvilla-Rivero, S. and Felix, J. A. (2002) Nearest Neighbor Predictions in Foreign Exchange Markets. Working Paper No. 05, FEDEA. Fernandez-Rodrigues, F. Sosvilla-Rivero, S. and Garcia-Artiles, M. (1997) Using nearest neighbor predictors to forecast the spanish stock market. Investigaciones Econmicas 21: 7591. Google Scholar Fernandez-Rodrigues, F. Sosvilla-Rivero, S. and Garcia-Artiles, M. (2001) An Empirical Evaluation of Non-Linear Trading Rules. Working Paper No. 16, FEDEA. Perlin, M. S. (2006) Non Parametric Modelling in Major Latin America Market Indexes: An Analysis of the Performance from the Nearest Neighbor Algorithm in Trading Strategies. Proceedings of the Conference on Latin American Studies June. Lima, Peru: BALAS The Business Association of Latin American Studies. Efetkhari, B. (1997) The Markov Regime Switching model as Trading Tool. Working Paper, University of Cambridge. Dueker, M. J. and Neely, C. J. (2006) Can Markov Switching Models Predict Excess Foreign Exchange Returns. Working Paper, Federal Reserve Bank of St. Louis. Brooks, C. Katsaris, A. and Persand, G. (2005) Timing is Everything: A Comparison and Evaluation of Market Timing Strategies. Working Paper. Available at SSRN: ssrnabstract83448. Anderson, K. and Brooks, C. (2006) Decomposing the price-earnings ratio. Journal of Asset Management 6: 456469. CrossRef Google Scholar Siganos, A. and Chelley-Steeley, P. (2006) Momentum profits following bull and bear markets. Journal of Asset Management 6: 381388. CrossRef Google Scholar Balsara, N. and Zheng, L. (2006) Profiting from past winners and losers. Journal of Asset Management 6: 329344. CrossRef Google Scholar Vidyamurthy, G. (2004) Pairs Trading: Quantitative Methods and Analysis. New York: John Wiley amp Sons. Google Scholar Gatev, E. Goetzmann, W. N. and Rouwenhorst, K. G. (1999) Pairs Trading: Performance of a Relative Value Arbitrage Rule. Working Paper, Yale School of Management. Available at SSRN: ssrnabstract141615. Nath, P. (2003) High Frequency Pairs Trading with US Treasury Securities: Risks and Rewards for Hedge Funds. Working Paper, London Business School. Burns, P. (2004) Performance Measurement via Random Portfolios. Working Paper, Burns Statistics. Burns, P. (2006) Random Portfolios for Evaluating Trading. Working Paper, Burns Statistics. Copyright information Palgrave Macmillan 2009 Authors and Affiliations Marcelo Scherer Perlin 1 1. ICMAReading University Reading UKEvaluation of pairs-trading strategy at the Brazilian financial market Pairs-trading is a popular trading strategy that tries to take advantage of market inefficiencies in order to obtain profit. The idea is simple: find two stocks that move together and take longshort positions when they diverge abnormally, hoping that the prices will converge in the future. From the academic point of view of weak market efficiency theory, pairs-trading strategy should not present positive performance, as, according to it, the actual price of a stock reflects its past trading data, including historical prices. This leaves us with a question: does pairs-trading strategy present positive performance for the Brazilian market The main objective of this research is to verify the performance and risk of pairs-trading in the Brazilian financial market for different frequencies of the database: daily, weekly and monthly prices for the same time period. The main conclusion of this simulation is that pairs-trading strategy was a profitable and market-neutral strategy at the Brazilian market. Such profitability was consistent over a region of the strategys parameters. The best results were found for the highest frequency (daily), which is an intuitive result. Journal of Derivatives Hedge Funds (2009) 15, 1228211136. doi:10.1057jdhf.2009.4 Document Type: Research Article Publication date: 1 2009 . Share Content Access Key Free content Partial Free content New content Open access content Partial Open access content Subscribed content Partial Subscribed content Free trial content Browse by Publication Browse by Subject Browse by Publisher Advanced Search About us Researchers Librarians Publishers New featured titles Help Contact us Website copy 2017 Ingenta. Article copyright remains with the publisher, society or author(s) as specified within the article. Cookie Policy Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more
Comments
Post a Comment