Un Procedimiento Bayes Basado En La Simulación Para La Predicción Robusta De Estrategias De Negociación De Pares

Haga clic para ver el texto completo de: Un procedimiento basado en simulación de Bayes para Predicción de estrategias de negociación de pares Lukasz T. Gatarek *, Lennart F. Hoogerheide y Herman K. Van Dijk 8 de febrero de 2011 Proponemos un nuevo método de simulación para estimar el modelo de cointegración con Alteraciones no normales en el marco bayesiano no paramétrico para presentar una Predicción robusta de algunas estrategias comerciales alternativas. Aplicamos la teoría de Dirich - Dejar que los procesos para estimar la distribución de las perturbaciones en forma de mezcla infinita Introducción La motivación para las técnicas de arbitraje estadístico tiene sus raíces en las obras que predican Previsibilidad de los precios de las acciones y existencia de relaciones a largo plazo en los mercados bursátiles. Esta literatura desafía el hecho estilizado en la economía financiera que dice que el Los precios de las acciones se describirán mediante procesos aleatorios independientes; Lo que au - Tomaticamente no implica previsibilidad en los precios de las acciones. Las principales referencias en este ámbito Son [Lo y MacKinlay, 1988], [Lo, 1991], [Lo y MacKinlay, 1992] y [Guidolin, 2009]. Sobre la base de estas investigaciones empíricas, podrían formarse estrategias de Ineficiencias de los mercados bursátiles. [Khadani, 2007] consideran una estrategia específica propuesta primero por [Lehmann, 1990] y [Lo y MacKinlay, 1990] que pueden analizarse directamente utilizando las acciones individuales de Estados Unidos devoluciones. Dada una colección de valores, consideran una equidad de mercado larga / corta neutral al mercado Consistente en un monto igual en dólares de posiciones largas y cortas, donde en cada Intervalo de reequilibrio, las posiciones largas consisten en perdedores (acciones de bajo Para volver al equilibrio que es cero. [Gatev et al. 2006] muestran el desempeño de Esta regla de arbitraje durante un período de 40 años y encuentran enormes pruebas empíricas a favor Los pasos cruciales en la construcción de la estrategia de comercio de pares es la estimación local de ambos Actuales y esperados. En el marco del análisis de cointegración, la propagación se modela Como la desviación local del equilibrio a largo plazo entre las series temporales. Por lo tanto, la Corriente entre los activos se calcula como el producto del vector de cointegración y Los precios actuales de las acciones. Por otra parte, se estima que el margen previsto es el producto Del vector de cointegración y de los precios previstos de las acciones. La predicción de la propagación se basa en la Suposición de relación de cointegración de sonido entre el par de activos. En resumen, el Pares se basa en el supuesto de que la combinación lineal de precios (Escalado por el vector de cointegración) vuelve a cero y se puede construir una regla comercial Para explotar las desviaciones temporales esperadas. Los problemas relativos a la aplicación de esta técnica pueden tener dos El papel se construye como sigue. 1Premios Con el fin de probar la rentabilidad de la estrategia comercial de los pares necesitamos identificar relaciones a largo plazo. Precios de las acciones. Por lo tanto, aplicamos el modelo de cointegración, ver [Juselius, 2006]. los Las distribuciones de retornos del mercado de valores son típicamente no normales. Así, por lo general t-distribución Y se aplican otras distribuciones de grasa. En el caso del comercio de pares, tratamos de identificar Cointegrando las relaciones en un enorme universo de activos. Podría ser incorrecto asumir La distribución de los rendimientos entre las distintas poblaciones. Proponemos un algoritmo general para Estimar el modelo de cointegración de una manera Bayesiana bajo la no-normalidad. El esquema de Tal algoritmo se compone como sigue 4. Estandarizar los residuos y construir series de tiempo artificiales según Yt = yt + (εt, j - μt, j) /? Vt, j. 5. Vaya al paso 1 usando series de tiempo artificiales. El reto de construir tal algoritmo radica en encontrar un método preciso para seleccionar El número de componentes en la mezcla de distribuciones normales. Los componentes de Esta mezcla es diferente en cada repetición del algoritmo. Así, un método flexible para Estimar esta mezcla es necesario. Nos proponemos modelar esta distribución como una mezcla de procesos de Dirichlet (DPM) - una mezcla - Con un número infinito infinito de componentes. Debido a esta propiedad esta técnica Es más flexible que un modelo de mezcla ordenada finita que ex ante especifica el número De los componentes. Para una introducción general al modelado a través de los procesos de Dirichlet,