El arbitraje estadístico es un trading clase de estrategia que utiliza técnicas estadísticas y econométricas para explotar los errores de valoración relativos de instrumentos financieros históricamente relacionados. Arbitraje estadístico trading Las estrategias aún funcionan a medida que se crean nuevos instrumentos, intercambios y mercados financieros. trading oportunidades.
¿Qué es el arbitraje estadístico?
El arbitraje estadístico, también conocido como stat arb, se refiere a cualquier trading estrategia que utiliza técnicas estadísticas y econométricas para obtener beneficios con un elemento de reducción del riesgo de mercado. Las oportunidades de arbitraje ocurren tanto a largo como a corto plazo.
Gerry Bamberger desarrolló la primera estrategia de arbitraje utilizando intercambios de pares trading en Morgan Stanley en mediados de la década de 1980.
La forma más fácil de entender el arbitraje estadístico es con un ejemplo. Comenzaremos con pares simples trading estrategia como la inventada por Gerry Bamberger.
El precio del oro afecta la rentabilidad de los mineros de oro. Si el precio del oro sube, la rentabilidad de los mineros de oro también debería aumentar. Si el precio del oro aumenta rápidamente, los precios de las acciones del minero de oro deben seguir o el precio del oro debe caer.
Vea el oro y el precio ETF de la minera de oro para 2006-07 – 2007-06 a continuación.
Observe cómo ambos precios se mueven juntos: son correlacionado.
Cuando los precios del oro subieran más rápido que los mineros de oro, venderíamos a los mineros de oro al descubierto y compraríamos a los mineros de oro; cuando los movimientos del precio del oro cayeron más rápidamente que los mineros de oro, pudimos comprar oro y vender a los mineros. Retrocediendo en el tiempo, podríamos habernos beneficiado de esta relación con un riesgo de mercado casi nulo, lo que significa que si el mercado subió, bajó o se desplazó, aún ganamos dinero.
Pares trading es uno de los muchos tipos de arbitraje estadístico.
Tipos de arbitraje estadístico
Si bien existen múltiples tipos de arbitraje estadístico, analizaremos los más comunes:
- Arbitraje neutral del mercado
- Arbitraje de activos cruzados
- Arbitraje de mercado cruzado
Arbitraje neutral del mercado
Cuando una estrategia tiene una beta de cero, lo que significa que sus rendimientos no se ven afectados por el movimiento de precios del mercado, es neutral en el mercado. los pares trading estrategia mencionada anteriormente es una estrategia de mercado neutral.
Tiempo trading dos acciones es la estrategia de arbitraje estadístico conceptualmente más simple, no estamos limitados a solo dos acciones. Los inversores pueden utilizar cualquier número de instrumentos financieros cointegrados; sin embargo, solo hay otro con un nombre único: somos trading “tripletes” cuando arbitramos tres activos juntos.
Podemos actualizar nuestra estrategia de pares y convertirla en un triplete agregando petróleo. El precio del petróleo es un insumo en la rentabilidad de los mineros de oro.
Arbitraje de activos cruzados
El arbitraje de activos cruzados es una estrategia de inversión que apuesta por la discrepancia de precios entre un activo financiero y su subyacente. Puede ser un índice y sus futuros, índices y acciones que lo componen, o cualquier cosa en la que un instrumento financiero represente a otro.
Veamos un ejemplo de arbitraje de activos ETF.
Basado en la capitalización de mercado, el índice Nasdaq 100 (NDX) contiene la 100 mayores empresas no financieras nacionales e internacionales cotiza en la Bolsa de Valores Nasdaq.
Él Invesco Nasdaq ETF (QQQ) rastrea el índice Nasdaq 100. ¿Qué sucede si el precio de Apple sube un 1,90 % en el día, pero los flujos de fondos del ETF son negativos? Es probable que Invesco necesite comprar o vender una cantidad desproporcionada de Apple para mantener su ponderación ETF representativa de la ponderación del índice.
En otras palabras, los arbitrajistas estadísticos inteligentes pueden beneficiarse de estos desequilibrios.
Arbitraje de mercado cruzado
El arbitraje de mercado compra y vende simultáneamente el mismo instrumento financiero en diferentes mercados, lo que permite que un inversor astuto aproveche las discrepancias de precios.
Veamos cómo podríamos potencialmente comercializar el arbitraje. Bitcoin.
Uno podría comprar Bitcoin al precio más bajo en Coinbase a $34 421 y venderlo inmediatamente en Bitfinex por $34 514, obteniendo una ganancia de $93. Ahora concedido, hay más que esto, como riesgo de cambio, deslizamiento, algorítmico trading plataformas, etc. Pero el punto sigue siendo el mismo, compre un activo trading a un precio más bajo en un mercado y venderlo a un precio más alto en otro.
Riesgos del arbitraje estadístico
Los modelos de arbitraje estadístico contienen riesgos de inversión sistémicos e idiosincrásicos. Todos usan relaciones pasadas para predecir el futuro, y estas relaciones pueden cambiar según los cambios en la economía. Además, cada tipo de estrategia de arbitraje estadístico conlleva un riesgo de estrategia. Además, los valores que dejan de cointegrarse pueden cointegrarse nuevamente.
En nuestro ejemplo de pares anterior, entre el 23 de mayo de 2006 y el 14 de julio de 2008, los precios del oro (GLD) y los mineros de oro (GDX) se cointegran con un 99 % de probabilidad. Pero lo que parecía una certeza dejó de funcionar. ¿Por qué?
Eso nos lleva al ejemplo de los trillizos: los precios del petróleo comenzaron a subir, ejerciendo presión sobre la rentabilidad de la minera de oro y al mismo tiempo rompiendo los pares. trading estrategia. Agregar petróleo al par mejora los resultados, pero nada es seguro en el mercado, excepto quizás los impuestos y las quiebras.
Otro riesgo de las estrategias de arbitraje estadístico es el exceso de confianza. Volviendo a nuestras parejas trading Por ejemplo, si se está cointegrando al 99% de probabilidad y aplica apalancamiento, ¿qué sucede cuando deja de funcionar aparentemente de la nada? no seas el siguiente Gestión de capital a largo plazo.
Además, las estrategias rentables de arbitraje estadístico tienen una gran demanda, ya que ¿quién no querría ganancias casi libres de riesgo? El desafío es que una vez que suficientes jugadores descubren la relación estadística, las ganancias a menudo se «arbitran».
Si bien la falla del modelo es el principal riesgo, existen muchos riesgos con cada tipo de arbitraje estadístico.
con parejas trading estrategias, una empresa podría quebrar o cambiar su combinación de productos, rompiendo un par; no aconsejo par trading acciones individuales, pero más sobre eso más adelante. El arbitraje entre mercados conlleva un riesgo significativo de «hackeo» por defecto de intercambio, especialmente con Bitcoin y otras criptomonedas. Y el arbitraje de activos cruzados contiene riesgos únicos, como la exclusión de cotización de acciones. Siempre existe el riesgo de frecuencia, también. Las estrategias de mayor frecuencia incurren en trading costes y rotación de cartera.
Además, si bien el riesgo de mercado se reduce con las estrategias de arbitraje, es esencial verificar la correlación entre las estrategias de arbitraje, las carteras y las posiciones durante el proceso de construcción de la cartera.
La mejor defensa contra estos riesgos es siempre asumir que el modelo podría fallar en cualquier momento y comprender completamente los riesgos de cada estrategia de arbitraje y los riesgos generales en el contexto de sus carteras.
¿Sigue funcionando el arbitraje estadístico?
Si bien el rendimiento de las estrategias de arbitraje estadístico más comunes ha disminuido o se ha vuelto inexistente, aparecen regularmente nuevas estrategias de arbitraje estadístico; además, muchos instrumentos financieros pueden entrar y salir de la cointegración.
Por ejemplo, el triplete de oro, minero de oro y petróleo discutido anteriormente ha entrado y salido de la cointegración.
Demos un paso atrás y pensemos por qué funciona el arbitraje estadístico.
Desde una perspectiva de estrategia neutral al mercado, existen relaciones económicas fundamentales que se mantienen. Hemos discutido uno con el precio del oro y los mineros de oro, pero hay muchos otros.
Esto me lleva a otro punto. No estoy particularmente ansioso por emparejar trade acciones, como mencioné anteriormente. La razón es que las relaciones a menudo son tenues y se desmoronan. Además, el riesgo idiosincrático puede anular la cointegración. En cambio, prefiero trade ETF de cointegración.
Además, cualquier cosa nueva generalmente se puede arbitrar. Esto incluye nuevos mercados y valores.
Técnicas de Análisis de Arbitraje Estadístico
Los modelos de arbitraje estadístico se basan en encontrar patrones en los datos utilizando modelos estadísticos y matemáticos.
Un analista normalmente usaría Matlab, R o Python para analizar los datos de estos modelos. Si bien las otras son excelentes opciones, solo encontrará código en Código de Python en el análisis de Alpha.
Y aunque le sugiero que comprenda los conceptos estadísticos subyacentes antes de comenzar trading en vivo, los tres lenguajes le permiten usar modelos estadísticos sin comprender las matemáticas subyacentes.
Supongamos que eres un algorítmico trader y planee crear una estrategia de arbitraje estadístico. En ese caso, el primer paso es manipular los datos para eliminar los valores incorrectos, verificar los datos atípicos y ordenar los bits y bytes de manera útil.
Por ejemplo, si no toma en cuenta las divisiones, los dividendos y otras acciones corporativas, puede suponer accidentalmente que un par trade está cointegrando cuando no lo está.
Entonces, suponiendo que tiene los datos exactamente como los quiere, ¿cuáles son sus opciones? Bueno, hay muchos, así que cubramos algunos de los más comunes:
- Análisis de series temporales
- Análisis de componentes principales
- autorregresión
- Modelado de volatilidad
Análisis de series temporales
El desarrollo de modelos matemáticos que proporcionen descripciones probables de los datos de la muestra es el objetivo principal del análisis de series temporales. Queremos saber el «por qué» detrás de una serie de tiempo, y lo hacemos descomponiendo la serie de tiempo en sus componentes constituyentes.
Por ejemplo, ¿los datos de precios son estacionales, de tendencia, etc.? El análisis de series de tiempo nos permite responder a estas preguntas. Vea la siguiente descomposición del historial de precios de Apple, que podemos ver que tiene una tendencia alcista y también es estacional.
Nuevamente, solo estamos tratando de obtener una comprensión conceptual de cada una de estas técnicas.
Análisis de componentes principales
El análisis de componentes principales (PCA) reduce la dimensionalidad del conjunto de datos, aumenta la interpretabilidad y minimiza la pérdida de información. Lo hace creando nuevas variables no correlacionadas que maximizan sucesivamente la varianza.
Dicho de otra manera, los datos a menudo pueden tener muchas características, algunas importantes y otras no. La idea es destilar los datos hasta los elementos esenciales y analizarlos a partir de ahí.
autorregresión
La autorregresión es un modelo de serie temporal que utiliza observaciones históricas como entrada a una ecuación de regresión para predecir el valor del siguiente paso. Es por eso que se llama autorregresión: «regresa contra sí mismo» ya que usa datos de la misma entrada en pasos de tiempo anteriores.
yt = b + c_1 * xt1 + c_2 * x_t2
Donde b es el sesgo, c son los coeficientes y x son los pasos de la serie temporal retrasada.
Modelado de volatilidad
El modelado de volatilidad intenta pronosticar la volatilidad para predecir rendimientos futuros. A menudo, los modelos de volatilidad intentan predecir cuantiles o rendimientos absolutos.
La volatilidad estocástica (SV) y GARCH son dos modelos bien conocidos que se utilizan para predecir la volatilidad de las series temporales financieras.
Arbitraje estático Trading Estrategias
Analicemos dos mercados neutrales trading estrategias.
Si está familiarizado con Python y quiere intentar crear un par o un triplete trading estrategia, consulte el repositorio Analyzing Alpha GitHub, que demuestra reversión media estadísticamente significativa trading estrategias.
Este código es parte de una serie que creé para Alpaca, un corredor de API primero.
Pares Trading Tutorial de estrategia
Ahora convertiremos nuestra relación de oro y mineros de oro en un par trading estrategia.
Como se discutió, los pares trading es una estrategia de mercado neutral a menudo implementada en fondos de cobertura y bancos de inversión que intentan sacar provecho de una Relación de series temporales estacionarias.
Estos son los pasos que seguiremos:
Está sentado en su escritorio a principios de mayo de 2007 y plantea la hipótesis de que el oro y las mineras de oro deberían cointegrarse. Verificaría TradingView, suponiendo que existiera en ese entonces, para inspeccionar las dos acciones rápidamente.
Le gustó lo que vio, por lo que probó la cointegración utilizando una prueba Dicky-Fuller aumentada cointegrada (CADF) en Python durante el año pasado.
El CADF da como resultado que las dos series de precios se cointegran entre un 95 y un 99 % de probabilidad durante ese período y con la siguiente fórmula:
Activo Sintético = 1.0 _ GLD + -1.19 _ GDX
En otras palabras, por cada GLD que compras, vendes 1.19 GDX. Un activo sintético es solo un término elegante para tomar una posición larga y una posición corta en múltiples valores simultáneamente.
En vez de trading esto todos los días, acumulando costos de transacción, eres inteligente y decides usar las Bandas de Bollinger y trade solo cuando el activo sintético se vuelve «significativamente» diferente de la norma.
Tomará una posición corta cuando los precios del mercado estén por encima de la banda superior de Bollinger y establecerá una posición larga cuando los precios estén por debajo de la banda de Bollinger. Si una posición larga o corta toca la línea base en cualquier momento, cierra su posición eliminando ambas de su cartera.
Entonces, ¿cómo te fue durante el próximo año?
¡Buen trabajo! Se benefició usando pares neutrales en el mercado trading estrategia utilizada con más frecuencia por los fondos de cobertura que por los comerciantes minoristas.
Tú decides por las próximas parejas. trade para utilizar técnicas tradicionales de análisis técnico y apalancamiento para potenciar aún más sus rendimientos mientras recuerda que los modelos pueden romperse en cualquier momento.
trillizos Trading Ejemplo de estrategia
Mientras que una prueba CADF funciona para parejas trading, no funciona para el arbitraje de triplete y de activos múltiples. Para esto, necesitarás la prueba de Johansen.
La buena noticia es que el único cambio que necesita hacer es trading la función CADF para la función Johansen.
También hay otras reversiones a la media. trading elementos al explotar una oportunidad de arbitraje, como identificar cuánto tiempo debe llevar un diferencial para volver a la media. Esto se llama la vida media de la media, y para eso, recomiendo leer mis libros favoritos sobre arbitraje estadístico.
Libros de Arbitraje Estadístico
Si está interesado en aprender más sobre el arbitraje estadístico, tengo dos libros favoritos que creo que son «significativos».