Evaluasi strategi perdagangan pasangan di pasar keuangan Brasil Abstrak: Perdagangan pasangan merupakan strategi trading yang populer yang mencoba memanfaatkan inefisiensi pasar untuk mendapatkan keuntungan. Idenya sederhana: temukan dua saham yang bergerak bersama dan mengambil posisi longshort saat mereka menyimpang secara tidak normal, dengan harapan harga akan terkumpul di masa depan. Dari sudut pandang akademis teori efisiensi pasar yang lemah, strategi perdagangan pasangan tidak boleh menyajikan kinerja positif karena, menurutnya, harga sebenarnya dari saham mencerminkan data perdagangan masa lalu, termasuk harga historis. Ini memberi kita sebuah pertanyaan, apakah strategi perdagangan pasangan menyajikan kinerja positif untuk pasar Brasil Tujuan utama dari penelitian ini adalah untuk memverifikasi kinerja dan risiko perdagangan pasangan di pasar keuangan Brasil untuk frekuensi database yang berbeda, harian, mingguan dan Harga bulanan untuk periode waktu yang sama. Kesimpulan utama dari simulasi ini adalah bahwa strategi perdagangan pasangan adalah strategi pasar yang menguntungkan dan netral di Pasar Brasil. Profitabilitas semacam itu konsisten di atas parameter strategi. Hasil terbaik ditemukan untuk frekuensi tertinggi (harian), yang merupakan hasil intuitif. Karya terkait: Item ini mungkin tersedia di tempat lain di EconPapers: Cari item dengan judul yang sama. Referensi ekspor: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText Kertas lainnya di Kertas MPRA dari Perpustakaan Universitas Munich, Jerman Ludwigstrae 33, D-80539 Munich, Jerman. Informasi kontak di EDIRC. Data seri dipelihara oleh Joachim Winter (). Situs ini adalah bagian dari RePEc dan semua data yang ditampilkan di sini adalah bagian dari kumpulan data RePEc. Apakah pekerjaan Anda hilang dari RePEc Berikut adalah cara berkontribusi. Pertanyaan atau masalah Periksa FAQ EconPapers atau kirim surat ke. Evaluation of pair strategi trading di pasar keuangan Brasil ANDERSON, K. BROOKS, C. (2006) Menguraikan Rasio Harga-Penghasilan, Journal of Asset Management, v. 6, p . 456-469. BALSARA, N. ZHENG, L. (2006) Menguntungkan dari Pemenang dan Pecundang yang lalu, Jurnal Manajemen Aset. V.6, hal. 329-344. BROOKS, C. KATSARIS, A. PERSAND, G. (2005) Waktu adalah Segalanya: Perbandingan dan Evaluasi Strategi Waktu Pasar, Kertas Kerja, Tersedia di SSRN: ssrnabstract834485. CHEN, A. LEUNG, M. T. DAOUK, H. (2003) Penerapan Jaringan Syaraf Tiruan ke Pasar Keuangan Muncul: Peramalan dan Perdagangan Indeks Saham Taiwan. Komputer amp Penelitian Operasi, ay 30, hal. 901923. DIMSON, E. MUSSAVIAN, M. (1998) Sejarah singkat tentang efisiensi pasar. Manajemen Keuangan Eropa, ay. 4, hal. 91-193. DUEKER, M. J. NEELY, C. J. (2006) Dapatkah Model Switch Markov Memprediksi Kelebihan Foreign Exchange Returns, Working Paper, Federal Reserve Bank of St. Louis. EFETKHARI, B. (1997) Model Switch Regulator Markov sebagai Alat Perdagangan, Kertas Kerja, Universitas Cambridge. FAMA, E. (1991) Pasar Modal Efisien: II, Jurnal Keuangan, ay 46, hal. 1575-1617. FAMA, E. FRENCH, K. (1992) Penampang kembali hasil saham yang diharapkan, Journal of Finance, v. 47 (2), hal. 427-465. FERNNDEZ-RODRGUEZ, F. RIVERO, S. S. FELIX, J. A. (2002) Perkiraan Tetangga Terdekat di Pasar Devisa, Kertas Kerja, n. 05, FEDEA. FERNNDEZ-RODRGUEZ, F. SOSVILLA-RIVERO, S. GARCA-ARTILES, M. (1997) Menggunakan prediktor tetangga terdekat untuk meramalkan Pasar Saham Spanyol, Investigaciones Econmicas, ay. 21, hal. 75-91. FERNNDEZ-RODRGUEZ, F. SOSVILLA-RIVERO, S. GARCA-ARTILES, M. (2001) Evaluasi empiris peraturan perdagangan non-linear, Working Paper, n. 16, FEDEA. FRENCH, K. (1980) Return Saham dan Efek Akhir Pekan, Jurnal Ekonomi Keuangan, Maret, hal. 55-69. GATEV, E. GOETZMANN, W. N. ROUWENHORST, K. G. (1999) Perdagangan Pasangan: Kinerja Aturan Arbitrase Nilai Relatif, Kertas Kerja, Manajemen Sekolah Yale. Tersedia di SSRN: ssrnabstract141615. MURPHY, J. (1999) Analisis Teknis Pasar Keuangan, New York Institute of Finance, New York. NATH, P. (2003) High Frequency Pairs Trading dengan A. S. Treasury Securities: Risiko dan Imbalan untuk Hedge Funds, Working Paper, London Business School. PARK, C. IRWIN, C. (2004) Profitabilitas Analisis Teknis: Suatu Tinjauan. Laporan Penelitian Proyek AgMAS, n. 04. PERLIN, M. S. (2006) Pemodelan Non Parametrik di Indeks Pasar Amerika Latin Utama: Analisis Kinerja Algoritma Tetangga Terdekat di Strategi Perdagangan, Konferensi BALAS, LimaPeru. SIGANOS, A. CHELLEY-STEELEY, P. (2006) Momentum Profits Mengikuti Pasar Bull and Bear, Journal of Asset Management, V. 6, hal. 381-388. VIDYAMURTHY, G. (2004) Perdagangan Pasangan: Metode dan Analisis Kuantitatif, John Wiley amp Sons. Evaluation of pair-trading strategy di pasar keuangan Brasil Mengutip artikel ini sebagai: Perlin, M. J Deriv Hedge Funds (2009) 15: 122 Doi: 10.1057jdhf.2009.4 Pasangan-trading adalah strategi trading yang populer yang mencoba memanfaatkan inefisiensi pasar untuk mendapatkan keuntungan. Idenya sederhana: temukan dua saham yang bergerak bersama dan mengambil posisi longshort saat mereka menyimpang secara tidak normal, dengan harapan harga akan terkumpul di masa depan. Dari sudut pandang akademis teori efisiensi pasar yang lemah, strategi perdagangan pasangan seharusnya tidak menunjukkan kinerja positif, karena, menurut harga aktual, sebuah saham mencerminkan data perdagangan masa lalunya, termasuk harga historis. Ini memberi kita sebuah pertanyaan: apakah strategi perdagangan pasangan pasang menunjukkan kinerja positif untuk pasar Brasil Tujuan utama dari penelitian ini adalah untuk memverifikasi kinerja dan risiko perdagangan pasangan di pasar keuangan Brasil untuk frekuensi database yang berbeda: setiap hari, Harga mingguan dan bulanan untuk periode waktu yang sama. Kesimpulan utama dari simulasi ini adalah bahwa strategi perdagangan pasangan adalah strategi pasar yang netral dan menguntungkan di pasar Brasil. Profitabilitas semacam itu konsisten di atas parameter strategi. Hasil terbaik ditemukan untuk frekuensi tertinggi (harian), yang merupakan hasil intuitif. Pair-trading strategi kuantitatif alokasi aset efisiensi pasar pasar negara berkembang PENDAHULUAN Teori efisiensi pasar telah diuji oleh berbagai jenis penelitian. Konsep seperti itu mendalilkan, dengan bentuknya yang lemah, bahwa informasi perdagangan saham terdahulu tercermin dalam nilainya, yang berarti bahwa data perdagangan historis tidak memiliki potensi untuk memprediksi perilaku masa depan dari harga aset. Konsekuensi teoritis utama dari konsep ini adalah bahwa tidak ada aturan perdagangan yang logis berdasarkan data historis harus memiliki return positif yang signifikan berulang atas beberapa benchmark portofolio. Sebagai lawan teori efisiensi pasar, beberapa makalah telah menunjukkan bahwa informasi masa lalu dapat, sampai batas tertentu, untuk menjelaskan keuntungan pasar saham di masa depan. Prediktabilitas tersebut dapat muncul dengan cara yang berbeda, termasuk anomali waktu (hari efek lemah 1) dan korelasi antara pengembalian aset dan variabel lainnya. 2 Tinjauan substansial mengenai subjek efisiensi pasar dapat dengan mudah ditemukan dalam literatur. 3. 4 Sejumlah besar kertas telah mencoba menggunakan alat kuantitatif untuk memodelkan pasar dan membangun peraturan perdagangan. Ide dasar dari jenis penelitian ini adalah untuk mencari beberapa jenis pola dalam perilaku harga saham historis, dan, dengan hanya menggunakan informasi historis, perhatikan pola pembentukan posisi perdagangan yang panjang dan pendek. Salah satu pendekatan yang paling populer untuk memodelkan pasar dan menyimpulkan aturan logis adalah analisis teknis. 5 Teknik seperti ini didasarkan pada indikator kuantitatif (moving averages, antara lain) dan juga pola visual (kepala dan bahu, triple top, dan sebagainya) untuk mengidentifikasi titik masuk dan keluar pada perilaku harga saham jangka pendek. Populernya analisis teknis menghasilkan sejumlah tes, yang tujuannya adalah untuk memverifikasi apakah alat tersebut menguntungkan atau tidak. Perlu disebutkan bahwa walaupun sebagian besar makalah menunjukkan bahwa analisis teknis menguntungkan, beberapa masalah dapat ditangani dengan studi semacam itu, termasuk masalah pengucilan data, biaya transaksi dan likuiditas. Semua ketidaklengkapan penelitian ini membuat analisis teknis dapat dipelajari lebih lanjut. 6 Dengan munculnya kekuatan komputer di akhir tahun 1990an, metode matematika yang lebih canggih dapat digunakan dalam kasus peraturan perdagangan. Salah satu contohnya adalah penggunaan algoritma tetangga terdekat (NN) dalam strategi trading. 7. 8. 9. 10 Algoritma NN adalah metode pemodelan non-parametrik dimana prinsip utamanya adalah bahwa rangkaian tersebut menyalin tingkah lakunya sendiri secara fraktal, yaitu, kita menemukan potongan data serupa dari masa lalu. Dan menggunakannya sebagai patokan untuk meramalkan pengamatan di masa depan. Kesimpulan utama yang diambil dari hasil yang dipresentasikan pada potensi prediktabilitas metode ini adalah dapat memprediksi arah pasar yang benar untuk sebagian besar perkiraan pengamatan keuangan. Tetapi penting untuk menyatakan bahwa bukti itu tidak kuat dalam semua penelitian. Untuk kasus strategi perdagangan berdasarkan model parametrik, 11. 12 makalah yang dirujuk ini berdasarkan perkiraan model switching rezim, dimana hasilnya menunjukkan bahwa metode tersebut dapat memprediksi deret waktu keuangan yang diteliti dalam setiap kasus. Jenis strategi lain yang menggunakan formulasi kuantitatif mencakup penentuan waktu pasar dengan fundamental atau model statistik 13. 14 dan strategi momentum. 15. 16 Hasil dari makalah ini juga positif. Strategi populer yang mendapat reputasi di awal 1980-an adalah apa yang disebut pair-trading. Metodologi ini dirancang oleh tim ilmuwan dari berbagai bidang (matematika, ilmu komputer, fisika, dan sebagainya), yang disatukan oleh Nunzio Tartaglia di Wall Street. Tujuan utama tim ini adalah menggunakan metode statistik untuk mengembangkan platform perdagangan berbasis komputer, di mana subjektivitas manusia tidak berpengaruh sama sekali dalam proses pengambilan keputusan dalam membeli atau menjual saham tertentu. Sistem seperti itu cukup berhasil untuk jangka waktu tertentu, namun kinerjanya tidak konsisten setelah beberapa saat, dan tim tersebut dibongkar setelah mengalami beberapa periode kinerja buruk. Rincian lebih lanjut tentang asal-usul pasang-perdagangan dapat ditemukan di Vidyamurthy 17 dan Gatev. 18 Pada dasarnya, gagasan sentral dari perdagangan pasangan adalah untuk memanfaatkan inefisiensi pasar. Langkah pertama adalah mengidentifikasi dua saham yang bergerak bersama dan menukarkannya setiap kali jarak absolut antara jalur harga berada di atas nilai ambang batas tertentu. Jika saham, setelah divergensi, kembali ke perilaku simetri historis, maka diharapkan harga yang paling tinggi akan mengalami penurunan dan yang satu dengan harga terendah akan mengalami kenaikan. Semua posisi panjang dan pendek diambil sesuai logika ini. Rincian spesifik tentang memilih pasangan dan menentukan nilai ambang pada pasangan-trading diberikan dalam lingkup makalah ini. Tujuan utama dari penelitian ini adalah untuk mengetahui profitabilitas dan risiko strategi perdagangan pair untuk pasar saham Brasil. Aturan perdagangan ini menyajikan kinerja positif dalam studi masa lalu, 18. 19 dan ini adalah salah satu motivasi penelitian ini, bersamaan dengan fakta bahwa penelitian jenis ini belum diterapkan pada pasar Brasil. Untuk mencapai tujuan tersebut, data dari tiga frekuensi yang berbeda (harian, mingguan dan bulanan) digunakan, dan semua pengembalian dari aturan logis dibandingkan dengan strategi nave buy-and-hold dan juga terhadap metode bootstrap perdagangan acak. . Resiko sistematis dan hasil konstan yang disaring (Jensens Alpha) dari strategi semacam itu juga merupakan bagian dari analisis. Makalah ini disusun sebagai berikut: Bagian pertama terkait dengan pedoman utama metodologi, termasuk cara pasangan terbentuk, aturan logis dalam penilaian perdagangan dan kinerja. Kedua, hasilnya dipresentasikan dan didiskusikan, disusul dengan beberapa kesimpulan. METODOLOGI Metodologi penelitian ini melibatkan dua hal: (1) Bagaimana cara memicu posisi longshort berdasarkan strategi pair-trading di setiap saham dan (2) Bagaimana cara mengevaluasi kinerja sinyal trading. Semua perhitungan untuk makalah ini dilakukan di Matlab. Semua fungsi yang digunakan untuk eksekusi dan evaluasi strategi tersedia di mathworksmatlabcentralfileexchange (kata kunci: pair trading). Langkah-langkah masing-masing algoritma tercakup sebagai berikut. Pemilihan pasangan Pada tahap pembentukan pasangan, ide dasarnya adalah membawa semua harga aset ke unit tertentu, lalu mencari dua saham yang bergerak bersamaan. Secara kuantitatif, ini bisa dilakukan dengan berbagai cara. Pendekatan yang digunakan dalam makalah ini adalah aturan jarak minimum kuadrat, yang berarti bahwa untuk setiap saham, akan ada pencarian pasangan yang sesuai yang menawarkan jarak kuadrat minimum antara rangkaian harga yang dinormalisasi. Alasan untuk transformasi unit sangat mudah. Penggunaan harga asli (tanpa normalisasi) akan menjadi masalah untuk kasus aturan jarak minimum kuadrat, karena dua saham dapat bergerak bersama namun memiliki jarak kuadrat tinggi di antara keduanya. Setelah normalisasi, semua saham dibawa ke unit standar yang sama dan ini memungkinkan pembentukan pasangan secara kuantitatif adil. Transformasi yang digunakan adalah normalisasi seri harga berdasarkan mean dan standar deviasi, persamaan (1). Nilai P adalah harga normal aset saya pada waktu t. E (P it) hanyalah harapan dari P itu. Dalam hal ini rata-rata, dan saya adalah standar deviasi harga saham masing-masing. Kedua indeks dihitung dalam jendela bergerak tertentu dari deret waktu. Dengan penggunaan persamaan (1). Semua harga ditransformasikan ke unit normalisasi yang sama, yang akan memungkinkan penggunaan aturan jarak minimum kuadrat. Langkah selanjutnya adalah memilih, untuk setiap saham, pasangan yang memiliki jarak kuadrat minimum antara harga normal. Ini adalah pencarian sederhana di database, hanya menggunakan informasi masa lalu hingga waktu t. Harga normal untuk pasangan aset saya sekarang ditangani sebagai p itu. Setelah masing-masing saham diidentifikasi, aturan perdagangan akan menciptakan sinyal perdagangan setiap kali jarak absolut antara P dan p lebih tinggi dari pada d. Nilai d adalah sewenang-wenang, dan ini mewakili filter untuk pembuatan sinyal perdagangan. Nilai tidak bisa sangat tinggi, jika tidak, hanya beberapa sinyal perdagangan yang akan dibuat, juga tidak terlalu rendah, atau aturannya akan terlalu fleksibel, dan ini akan menghasilkan terlalu banyak perdagangan dan, akibatnya, nilai transaksi yang tinggi . Setelah tanda perdagangan dibuat, langkah selanjutnya adalah menentukan posisi yang diambil pada saham. Menurut strategi pair-trading, jika nilai P lebih tinggi (lebih rendah) dari pada itu. Maka posisi short (long) disimpan untuk aset i dan posisi panjang (pendek) dibuat untuk pasangan aset i. Posisi tersebut dijaga sampai terjadi perbedaan absolut antara harga normal yang lebih rendah dari pada d. Ini mungkin terdengar kontra-intuitif, karena, dengan menggunakan perilaku harga terus-menerus, jika seseorang membeli ketika jaraknya d dan menjualnya saat jaraknya lagi d. Tidak ada keuntungan Tapi ingat bahwa harganya dalam waktu diskrit, artinya harga beli terjadi bila jaraknya lebih tinggi dari d. Dan karena itu keuntungan yang diharapkan adalah positif. Untuk kasus pasangan-trading pada perkiraan waktu kontinyu (misalnya, 5 menit kutipan), ini dapat dengan mudah disesuaikan dengan menetapkan celah antara ambang batas untuk operasi beli dan untuk operasi penjualan. Logika utama di balik perkiraan keuntungan dari strategi perdagangan pasangan adalah jika pergerakan berkorelasi antara pasangan berlanjut di masa depan, maka, ketika jarak antara aset dan pasangannya lebih tinggi dari nilai ambang tertentu (d), ada Kemungkinan bagus bahwa harga seperti itu akan terkumpul di masa depan, dan ini bisa dieksplorasi untuk tujuan keuntungan. Jika jaraknya positif, maka nilai P itu. Menurut logika yang diungkapkan sebelumnya, mungkin akan mengurangi di masa depan (posisi short untuk aset i), dan nilai p mungkin akan meningkat (posisi long untuk pasangan i). Logika yang sama berlaku untuk kasus dimana jaraknya negatif. Situasi dimana pair-trading gagal meraih keuntungan adalah kenaikan jarak antara P dan p itu. Dimana pasar berjalan dengan cara yang berlawanan dari ekspektasi, dan juga penurunan (kenaikan) harga dari posisi long (short). Sebagai contoh, Gambar 1 menunjukkan strategi perdagangan pasangan untuk harga aset mingguan TNLP4 dan pasangannya, TNLP3. Contoh pasang-trading dengan TNLP4 dan TNLP3 dengan d 1. Pada Gambar 1. TNLP3 adalah pasangan TNLP4 yang ditemukan berdasarkan kriteria jarak minimum kuadrat. Hal ini dimungkinkan untuk melihat bahwa kedua harga dinormalisasi memiliki perilaku serupa. Pada titik-titik yang memiliki lingkaran biru atau segitiga merah, perbedaan mutlak pada harga yang dinormalisasi telah melewati nilai d. Artinya perdagangan telah terjadi. Lingkaran biru (segitiga merah) adalah posisi pendek (panjang) yang dibuat. Hal ini terjadi setiap kali jarak absolut lebih tinggi dari 1 dan nilai aset yang dianalisis lebih tinggi (lebih rendah) daripada pasangannya. Setiap kali perbedaan absolut mengesampingkan nilai d. Posisi ditutup. Jika aset, setelah pembukaan posisi, kembali ke hubungan historis, maka harga yang lebih tinggi harus memiliki penurunan harga dan harga yang lebih rendah harus naik. Sebagai posisi pendek dibuat untuk aset pertama dan posisi panjang untuk yang kedua, maka, jika kedua harga tersebut berperilaku secara historis, keuntungan akan timbul dari kasus perdagangan ini adalah keseluruhan gagasan di balik pasang-perdagangan yang menghasilkan keuntungan dari koreksi pasar. Menilai kinerja strategi Salah satu tujuan dari penelitian ini adalah untuk mengevaluasi kinerja strategi pair-trading terhadap pendekatan nave. Untuk tujuan ini, dua metode digunakan di sini. Yang pertama adalah perhitungan pengembalian strategi yang berlebihan melalui portofolio berbobot dengan benar, dan yang kedua adalah penggunaan metode bootstrap untuk mengevaluasi kinerja peraturan perdagangan terhadap penggunaan pasangan acak untuk setiap saham. Perhitungan strategi kembali Perhitungan total return strategi dijalankan sesuai dengan rumus berikut, persamaan (2): Variabel dummy yang mengambil nilai 1 jika posisi long dibuat untuk aset i. Nilai 1 jika posisi short dibuat dan 0 sebaliknya. Bila posisi panjang dibuat pada waktu t. Variabel ini dialamatkan sebagai I itu L dan saat aku S untuk posisi pendek. Variabel pembobotan yang mengendalikan konstruksi portofolio pada waktu t. Dalam makalah ini, portofolio simulasi memiliki bobot yang sama. Artinya setiap posisi trading akan memiliki bobot yang sama pada waktu t. Yaitu, W 1 (I 1 n I itu L amp S). Wajar, jumlah W untuk semua aset sama dengan 1 atau nol (tidak ada posisi perdagangan pada waktu t). Variabel dummy yang mengambil nilai 1 jika transaksi dilakukan untuk aset i pada waktu t dan nol sebaliknya. Penting untuk membedakan nilai I itu L amp S (posisi long dan short) dari Tc it (transaction dummy). Nilai Tc itu berasal dari vektor I itu L amp S. Tapi tidak sama. Misalnya, misalkan posisi panjang dibuat untuk aset saya tepat waktu t 1 dan juga tepat waktu t saja. Vektor I itu L akan memiliki nilai 1 sampai waktu t 1 dan t. Namun vektor Tc hanya memiliki nilai 1 untuk waktu t 1, sedangkan untuk t. Aset itu sudah ada dalam portofolio, dan karenanya tidak perlu lagi membelinya. Hal yang sama berlaku untuk posisi short. Biaya transaksi per operasi (dalam persentase). Jumlah pengamatan pada keseluruhan periode perdagangan. Untuk persamaan (2). Ide dasarnya adalah menghitung imbal hasil dari strategi akuntansi untuk biaya transaksi. Bagian pertama dari (1), t 1 T i 1 n R it I L amp S W menghitung total pengembalian mentah strategi. Setiap saat posisi panjang dan pendek diciptakan untuk aset i. Hasil mentah dari portofolio simulasi pada waktu t adalah i 1 n R it I itu L amp S W it. Artinya, hasil yang prospektif dikalikan dengan bobot yang sesuai dalam portofolio. Seperti yang terjadi dari 1 sampai T. Perlu untuk jumlah pengembalian tersebut, yang memberikan hasil akhir untuk bagian pertama (1), t 1 T i 1 n R it I itu L amp S W it. Bagian kedua dari persamaan (2) memiliki tujuan untuk menghitung biaya transaksi. Sebagai contoh, anggaplah bahwa biaya perdagangan untuk membeli dan menjual saham adalah C. Yang dinyatakan sebagai persentase dari harga transaksi. Jika saham dibeli dengan harga P B dan dijual dengan harga P S. Maka harga beli dan jual riil, termasuk biaya transaksi, adalah P B (1 C) dan P S (1 C). Mengambil hasil logaritma hasil operasi dalam rumus R ln (P S (1 C) P B (1 C)). Dengan menggunakan sifat logaritma, persamaan sebelumnya menjadi R ln (P S P B) ln ((1 C) (1 C)). Ada kemungkinan untuk melihat dari hasil ini bahwa pengembalian untuk operasi ini memiliki dua komponen yang terpisah: logaritma kembali dari selisih antara harga jual dan beli, dan istilah ln ((1 C) (1 C)), yang menjelaskan Biaya transaksi di seluruh operasi. Hasil yang dicontohkan ini pada dasarnya menyatakan bahwa biaya transaksi untuk satu operasi (beli dan jual) adalah ln ((1 C) (1 C)). Kembali ke analisis bagian kedua dari persamaan (1). Seperti (1 C) (1 C)) adalah biaya transaksi dari satu operasi, secara logis istilah (t 1 T i 1 n Tc itu) hanyalah jumlah operasi yang dilakukan oleh strategi perdagangan. Penting untuk dicatat bahwa karena (1 C) (1 C) selalu kurang dari satu karena C selalu positif dan lebih tinggi dari nol, maka nilai ln ((1 C) (1 C)) selalu negatif, artinya Biaya transaksi dikurangkan dari pengembalian strategi, yang merupakan hasil intuitif. Evaluasi strategi kembali Untuk mengevaluasi kinerja strategi, perlu membandingkannya dengan pendekatan nave. Jika strategi tersebut berkinerja lebih baik daripada investor luar biasa, maka aturan perdagangan semacam itu memiliki nilai. Inilah ide utama yang akan mengembangkan kedua metode yang digunakan dalam penelitian ini untuk mengevaluasi kinerja strategi perdagangan pasangan untuk pasar keuangan Brasil. Pendekatan yang dijelaskan di sini adalah penghitungan pengembalian yang berlebihan melalui aturan buy-and-hold nave dan metode bootstrap yang lebih canggih dari perdagangan acak. Komputasi pengembalian portofolio nave yang berlebihan: Perhitungan pengembalian yang berlebihan adalah pendekatan yang paling sederhana untuk mengevaluasi strategi perdagangan. Idenya cukup sederhana: verifikasi berapa banyak pengembalian dari strategi yang diuji melebihi peraturan nave. Dalam kasus ini, aturan nave adalah buy-and-hold portofolio berbobot dengan benar untuk perbandingan dengan posisi long dan sell-and-unhold untuk posisi short. Kembalinya pendekatan nave, dari keseluruhan jumlah aset, didasarkan pada rumus berikut, persamaan (3): Karena strategi perdagangan pasangan menggunakan dua jenis posisi berbeda di pasar saham, lama untuk harapan kenaikan harga Dan kependekan dari harapan penurunan harga, perlu dibangun portofolio nave yang juga memanfaatkan posisi semacam itu. Ini adalah fungsi dari istilah i 1 n P i L t 1 TR dan i 1 n P i S t 1 TR di mana yang pertama mensimulasikan buy-and-hold (posisi panjang) dari portofolio berbobot dengan benar dan yang kedua Mensimulasikan skema sell-and-unhold (posisi pendek) untuk portofolio bobot lain. Bobot dalam kedua istilah tersebut berasal dari jumlah posisi panjang dan pendek yang diambil pada masing-masing aset, seperti yang ditunjukkan sebelumnya. Semakin tinggi jumlah sinyal panjang dan pendek yang dijadikan strategi untuk aset i. Semakin tinggi bobot saham seperti itu pada portofolio simulasi. Jelas dari persamaan (3) bahwa, jika P i S P i L. Yang merupakan posisi lindung nilai yang sempurna untuk aset i dalam portofolio patokan, syarat-syarat i 1 n P i L t 1 TR i i n i i t t 1 TR it null satu sama lain dan kontribusi akumulasi pengembalian untuk aset yang bersangkutan ini Portofolio benchmark hanyalah biaya transaksi untuk menyiapkan portofolio. Perlu dicatat bahwa perhitungan return in equation (3) tidak termasuk variabel W seperti pada persamaan (2). Hal ini terjadi karena persamaan wasit menghitung jumlah expected return dari posisi nave long dan short untuk semua aset, dan bukan kembalinya portofolio simulasi dari waktu ke waktu (persamaan (2)). Seperti dapat dilihat dari persamaan (3). Salah satu tempat penelitian adalah bahwa biaya transaksi per operasi sama untuk posisi long dan short. Periode terakhir dari (3) adalah biaya transaksi untuk posisi pembukaan (membuat portofolio) dan memperdagangkannya pada akhir periode. Dalam hal ini, jumlah perdagangan yang dibutuhkan untuk membentuk dan menutup kedua portofolio tersebut adalah 2 n di mana n adalah jumlah aset yang diteliti. Pengembalian strategi yang berlebihan diberikan oleh selisih antara (2) dan (3), yang membentuk formula akhir untuk menghitung pengembalian yang berlebihan: persamaan (4). Metode bootstrap untuk menilai kinerja pair-trading: Metode bootstrap merupakan cara untuk membandingkan sinyal perdagangan dari strategi terhadap peluang murni. Ide dasarnya adalah mensimulasikan entri acak di pasaran, menyimpan total return untuk setiap simulasi dan menghitung berapa kali entri acak tersebut kurang dari return yang diperoleh dalam strategi yang diuji. Pendekatan seperti itu mirip dengan gagasan Patrick Burns. 20. Perlu dicatat bahwa setiap strategi perdagangan mengambil jumlah posisi panjang dan pendek yang berbeda dan untuk jumlah hari yang berbeda. Informasi tersebut juga diperhitungkan dalam simulasi acak. Langkah-langkahnya adalah sebagai berikut: Secara terpisah, untuk posisi panjang dan pendek, hitung jumlah rata-rata hari (nDaysLong dan nDaysShort) bahwa strategi tersebut telah diperdagangkan di pasar, dan juga jumlah aset rata-rata (nAssetsLong dan nDaysShort). Dengan nilai nDays dan nAssets untuk panjang dan pendek, definisikan entri acak nDays di pasaran untuk jumlah aset nAssets. Sekali lagi, dengan jelas, prosedur ini harus diulang untuk setiap jenis posisi perdagangan (panjang dan pendek). Ulangi Langkah 1 dan 2 m kali, hemat akumulasi return mentah (total return dikurangi biaya transaksi) untuk setiap waktu. Setelah sejumlah besar simulasi, misalnya m 5000, hasil untuk metode bootstrap akan menjadi distribusi pengembalian. Tes di sini adalah untuk memverifikasi persentase pengembalian yang telah berhasil diuji strategi dibandingkan dengan penggunaan perdagangan acak. Sebagai contoh, selanjutnya adalah histogram akumulasi pengembalian dari penggunaan algoritma bootstrap untuk database harian dengan opsi m 5000, n DaysLong400, n DaysLong250, n AssetsLong5, n AssetsShort3, dan dengan biaya transaksi nol. Gambar 2 menunjukkan bahwa, mengingat opsi yang diberikan pada algoritma, investor out-of-skill akan menghasilkan rata-rata pengembalian mentah sekitar 10 persen. Kasus terbaik bagi investor nave adalah sekitar 74 persen dan yang terburuk adalah 70 persen. Histogram akumulasi pengembalian dari perdagangan acak. Langkah selanjutnya dalam menggunakan pendekatan bootstrap ini adalah menghitung berapa kali akumulasi return dari pair-trading lebih tinggi daripada akumulasi return dari sinyal perdagangan acak, dan bagi hasilnya dengan jumlah simulasi. Hasilnya adalah persentase yang menunjukkan berapa banyak sinyal acak yang telah dipuji strategi yang telah dipukul. Jika strategi semacam itu memiliki nilai, maka akan menghasilkan sesuatu yang mendekati 90 persen. Jika hanya kasus kebetulan, ini akan memberi persentase mendekati 50 persen, dan jika strategi tersebut tidak memberikan nilai apapun, itu akan menghasilkan persentase mendekati 10 persen, yang berarti bahwa, dalam kasus ini, Adalah mungkin untuk mendapatkan hasil yang lebih tinggi dengan hanya menggunakan benih acak untuk memilih aset dan hari untuk diperdagangkan. Salah satu cara untuk menganalisis hasil algoritma bootstrap adalah membandingkan pilihan yang dibuat oleh strategi trading, yaitu hari dan aset untuk diperdagangkan, terhadap perkiraan pengembalian untuk hari dan jumlah perdagangan yang sama selama keseluruhan data yang diteliti. Database untuk penelitian Database untuk penelitian ini didasarkan pada 100 saham paling likuid dari pasar keuangan Brasil antara tahun 2000 dan 2006. Penelitian ini bertujuan untuk menilai kinerja dan risiko perdagangan pasangan untuk frekuensi data yang berbeda: harian, mingguan Dan harga bulanan. Karena ada beberapa masalah likuiditas untuk beberapa kasus, database harus dikonfigurasi ulang untuk setiap frekuensi. Aturannya di sini adalah memilih saham yang memiliki setidaknya 98 persen dari harga penutupan yang valid. Jumlah stok yang dihasilkan setelah penerapan filter ditunjukkan pada Tabel 1. Database menurut frekuensi deret waktu keluar dari 100 saham. Untuk Tabel 1. penurunan utama dalam database yang diteliti adalah untuk frekuensi harian, di mana hanya 57 saham yang dipilih setelah melakukan penyaringan untuk saham dengan harga di bawah 98 persen dari harga penutupan. Untuk harga mingguan dan bulanan, penyaringan tersebut tidak menjadi masalah, dan sebagian besar stok dari database asli disimpan. Untuk kasus harga yang hilang, mereka hanya digantikan oleh harga terakhir, yang menetapkan logaritma pada tanggal tersebut menjadi nol. Setiap uji strategi trading memiliki dua fase dalam data penelitian: periode pelatihan dan periode perdagangan. Untuk studi ini, periode pelatihan adalah jendela bergerak yang terdiri dari sekitar 2 tahun data untuk semua frekuensi. Untuk harga harian, jendela bergerak semacam itu memiliki panjang 494, untuk harga mingguan 105 dan untuk frekuensi 24 tahunan. Masalah lain dalam mengeksekusi strategi perdagangan pasangan melalui data adalah bahwa setiap saham dapat mengubah pasangannya dari waktu ke waktu. Untuk menilai kemungkinan tersebut, masing-masing stok diperbarui pada setiap bulan untuk semua frekuensi yang diuji. Misalnya, untuk data harian, pada setiap 25 pengamatan pasangan dihitung ulang. Penting untuk dicatat bahwa algoritma tersebut tidak menggunakan observasi masa depan untuk membangun peraturan perdagangan. Semua aspek strategi dihitung hanya dengan menggunakan informasi masa lalu, yang merupakan asumsi penting untuk penilaian realistis terhadap kinerja strategi perdagangan kuantitatif. Tabel 2 menyajikan pengembalian yang diperoleh dari strategi perdagangan pasangan pada frekuensi penelitian yang berbeda, dengan C 0,1 persen. Nilai biaya transaksi ini realistis untuk pasar ekuitas Brasil, dan dapat dengan mudah dicapai dengan jumlah modal investasi moderat. Evaluasi hasil perdagangan pasangan untuk berbagai nilai d Metode bootstrap didasarkan pada 1.000 simulasi untuk setiap nilai d. Selalu menghargai jumlah rata-rata hari dan aset yang strategi di pasar untuk setiap jenis posisi. Sebelum analisis Tabel 2. pengamatan penting adalah bahwa total return tidak hanya jumlah pengembalian dari posisi long dan short. Untuk hasil yang berlebihan dan mentah, jika kolom Long Positions dijumlahkan dengan kolom Posisi Pendek, maka kolom tersebut tidak akan sama dengan Total kolom. Hal ini terjadi karena satu aset bisa memiliki tanda beli dan juga tanda jual untuk waktu yang sama t. Karena stok seperti itu bisa jadi sepasang stok lainnya. 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 . Berbagi Isi Konten Konten Gratis Isi konten Partial Gratis Konten baru Konten akses terbuka Partial Konten akses terbuka Konten langganan Konten Partial Subscribed Konten percobaan gratis Telusuri oleh Publikasi Browse by Subject Telusuri oleh Penerbit Pencarian Lanjutan Tentang Kami Peneliti Pustakawan Penerbit Judul fitur baru Bantuan Hubungi kami Salinan situs web 2017 Ingenta. Hak cipta artikel tetap ada pada penerbit, masyarakat atau penulis (s) sebagaimana ditentukan dalam artikel. Kebijakan Cookie Situs Ingenta Connect menggunakan cookies sehingga bisa melacak data yang telah Anda isi. Saya senang dengan ini. Temukan lebih banyak lagi.
No comments:
Post a Comment