全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1064 26
2022-06-01
英文标题:
《Decoding Stock Market with Quant Alphas》
---
作者:
Zura Kakushadze and Willie Yu
---
最新提交年份:
2017
---
英文摘要:
  We give an explicit algorithm and source code for extracting expected returns for stocks from expected returns for alphas. Our algorithm altogether bypasses combining alphas with weights into \"alpha combos\". Simply put, we have developed a new method for trading alphas which does not involve combining them. This yields substantial cost savings as alpha combos cost hedge funds around 3% of the P&L, while alphas themselves cost around 10%. Also, the extra layer of alpha combos, which our new method avoids, adds noise and suboptimality. We also arrive at our algorithm independently by explicitly constructing alpha risk models based on position data.
---
中文摘要:
我们给出了从alphas预期收益中提取股票预期收益的显式算法和源代码。我们的算法完全绕过了将alpha与权重组合成“alpha组合”的过程。简单地说,我们开发了一种新的阿尔法交易方法,它不涉及组合阿尔法。这带来了巨大的成本节约,因为alpha组合使对冲基金的成本约为损益的3%,而alpha本身的成本约为10%。此外,我们的新方法避免了额外的alpha组合层,增加了噪声和次优性。我们还通过基于头寸数据显式构建阿尔法风险模型,独立得出了我们的算法。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Portfolio Management        项目组合管理
分类描述:Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类:Quantitative Finance        数量金融学
二级分类:Mathematical Finance        数学金融学
分类描述:Mathematical and analytical methods of finance, including stochastic, probabilistic and functional analysis, algebraic, geometric and other methods
金融的数学和分析方法,包括随机、概率和泛函分析、代数、几何和其他方法
--
一级分类:Quantitative Finance        数量金融学
二级分类:Risk Management        风险管理
分类描述:Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-6-1 05:46:30
用Quant AlphasZura Kakushadze§+1和Willie Yu解读股市2.§QuantigicrSolutions LLC1127 High Ridge Road#135,Stamford,CT 06905+第比利斯自由大学商学院和物理学院240,格鲁吉亚第比利斯大卫·阿格马森贝利巷,0159新加坡杜克国立医学院8号学院路计算生物学中心,邮编:169857(2017年4月25日)摘要我们给出了一个显式算法和源代码,用于从Alpha的预期回报中提取股票的预期回报。我们的算法altogetherbypass将alpha与权重组合成“alpha组合”。简单地说,我们开发了一种新的阿尔法交易方法,它不涉及组合阿尔法。这带来了巨大的成本节约,因为alpha combos使对冲基金的成本约为损益的3%,而alpha本身的成本约为10%。此外,我们的新方法避免了额外的alpha组合层,增加了snoise和次优性。我们还通过基于头寸数据显式构建阿尔法风险模型,独立实现了我们的算法。用quant alphas预测股票回报对投资行业有影响。Zura Kakushadze博士是QuantigicrSolutions LLC的总裁,也是第比利斯自由大学的全职教授。电子邮件:zura@quantigic.comWillie余博士是杜克国立大学医学院的研究员。电子邮件:willie。yu@dukenus.edu.sgDISCLAIMER:回复作者使用此地址的目的仅限于按照出版物惯例表明其专业职责。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 05:46:33
特别是,本文的内容并非投资、法律、税务或任何其他此类建议,也不代表QuantigicSolutions LLC网站www.q uantigic的观点。或他们的任何一个助手。这是三部曲中的最后一篇论文,其中包含“阿尔法流的因子模型”【Kakushadze,2014】和“如何组合10亿阿尔法”【Kakushadze和Yu,2017a】。简介和总结不长的ag o quant trading Workshop以“人与机器”的辩论为特色。嗯,这是一个必然的结论。定量字母挖掘现在由机器完成。在这一过程中,人类的角色已从本质上转移到编写各种机器学习、数据挖掘、聚类和其他类似算法。硬件很便宜,因此开采数百万Alpha不再是梦想,而是现实。毫不奇怪,这些呈指数级增长的alpha变得越来越微弱,越来越短暂。一个典型的阿尔法甚至不能单独交易——它的信号太弱,在扣除交易成本后无法赚钱。因此,定量交易者遵循一个古老的“数字中有力量”的智慧,将这些微弱的字母组合成一个具有一些非平凡权重的“巨型字母”。然后,游戏将变成如何以最佳方式选择这些权重。这本质上是一个alpha投资组合优化问题。这是一个非常重要的问题。表面上,它类似于股票投资组合优化问题【Markowitz,1952】【Sharpe,1994】。然而,有一个重要的细节造成了所有的差异:字母的数量可能是巨大的,以十万、数百万甚至数十亿计。然而,由于这些字母的短暂性,可用的历史(回溯)自然要短得多。有多种方法可以解决组合大量字母的问题。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 05:46:36
如果唯一可用的信息是alpha返回的时间序列,则播放场是有限的。如【Kakushadze和Yu,2017a】所述,通过仅基于此时间序列或其扩展的统计风险模型来建模阿尔法投资组合风险,通过在一天结束时添加一些“风格”风险因素,可以得出一个简单的答案,即阿尔法权重与(加权)回归的残差成比例。简单地说,可用数据的大小(在本例中为回溯)决定了我们可以覆盖多少阿尔法风险空间。因此,为了对冲风险空间中的更多方向,我们需要更多的数据。且此类数据可用【Kakushadze,2014】:标的可交易工具的头寸数据;e、 例如,若我们的阿尔法是一个美元中性的投资组合,比如说,2000只最具流动性的股票,那个么这个阿尔法指示我们持有的一系列头寸。问题是,我们如何使用这些职位数据?E、 我们可以改进alpha权重吗?在这里,“alpha”(遵循常见的交易者行话)通常意味着人们可能希望交易的任何合理的“预期回报”,不一定与“学术”alpha相同。在实践中,通常关于如何构建alpha的详细信息甚至可能不可用,例如,唯一可用的数据可能是头寸数据,因此“alpha”是一组指令,用于在某个时间t,t,…持有某些股票(或其他工具)。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 05:46:39
.这包括交易成本(交易所、经纪人-交易商、SEC等,费用)以及滑移。E、 根据每日观察,有~ 一年回顾中有250个数据点。其他考虑因素,如优化“mega alpha”的营业额,交易(与单个alpha相反)自动带来内部交叉交易的好处(即降低交易成本),以及可扩展性(即,这个“mega alpha”可以吸收多少资本,因为其市场影响导致回报减少),进一步增加了问题的复杂性。有关统计风险模型的最新讨论,请参见【Kakushadze和Yu,2017b】。E、 g.营业额等。详见【Kakushadze,2014】和【Kakushadze和Yu,2017a】。高达1/N幂所支持的校正,其中N是字母数。【Kakushadze,2014年】(并在【Kakushadzeand Yu,2017a】中进一步讨论)中提出的一个想法是使用基础可交易工具的头寸数据来构建阿尔法投资组合的风险模型,尽管没有明确的实施。在本文中,我们填补了这一空白——尽管根据股票风险建模的直觉,结果并非人们所期望的那样——并详细讨论了阿尔法风险模型。我们这样做是为了提供一种替代的、令人信服的方法来获得我们的主要结果,我们首先阐述了这一点,没有提及阿尔法投资组合风险。我们的想法很简单。我们有大量的N个字母–例如,N=1000000。让我们假设这些Alpha都在交易相同的基础M工具,例如,M=3000支流动性最强的美国股票。为了确定单个alpha对“巨型alpha”(即alpha投资组合)贡献的权重,我们需要单个alpha的预期回报。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 05:46:42
然后,我们可以问以下问题:我们是否可以使用Alpha的预期回报预测基础交易(股票)的预期回报?换言之,我们能用阿尔法解读股市吗?答案是肯定的。这就是位置数据的来源。现在,如果我们可以使用alpha预期回报预测股票预期回报,那么我们就不再需要组合alpha。我们可以根据股票预期回报率直接交易股票投资组合。我们可以直接对该股票投资组合进行所有风险管理,而不是分两步进行,首先管理阿尔法投资组合风险,然后管理与“大阿尔法”相对应的股票投资组合风险。一、 例如,我们不需要额外的步骤来构建LPhapportfolio——直觉上很明显,这个额外的层可能是额外噪声和次优性的来源。所以,如果可以的话,我们应该得到它的r id。在第二节中,我们给出了一个从alpha期望回报中提取股票期望回报的显式算法。我们在附录A中给出了该算法的源代码。股票预期回报率只是头寸数据上α预期回报的加权回归系数。当单个alpha portfo LIO受到线性约束时,就会产生微妙的影响,例如,美元中立或部门/(子)行业中立,我们讨论了如何应对这些约束。我们还讨论了如何选择回归权重(而不是反向α方差)。在第3节中,我们给出了一个显式算法,用于使用基础可交易资产的头寸数据为AlphaPortfolions构建风险模型。其源代码包含在附录A中。根据【Kakushadze和Yu,2017a】,wethen表明,当N>> 1、使用该风险模型的优化简化为第2节中的加权回归。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群