Statistical arbitrage

In finance, statistical arbitrage (often abbreviated as Stat Arb or StatArb) is a class of short-term financial trading strategies that employ mean reversion models involving broadly diversified portfolios of securities (hundreds to thousands) held for short periods of time (generally seconds to days). These strategies are supported by substantial mathematical, computational, and trading platforms.[1]

Trading strategy

Shows a statistical arbitrage strategy on artificial data. The portfolio prices are a result of combining the two stocks.

Broadly speaking, StatArb is actually any strategy that is bottom-up, beta-neutral in approach and uses statistical/econometric techniques in order to provide signals for execution. Signals are often generated through a contrarian mean reversion principle but can also be designed using such factors as lead/lag effects, corporate activity, short-term momentum, etc. This is usually referred to[by whom?] as a multi-factor approach to StatArb.

Because of the large number of stocks involved, the high portfolio turnover and the fairly small size of the effects one is trying to capture, the strategy is often implemented in an automated fashion and great attention is placed on reducing trading costs. [2]

Statistical arbitrage has become a major force at both hedge funds and investment banks. Many bank proprietary operations now center to varying degrees around statistical arbitrage trading.

As a trading strategy, statistical arbitrage is a heavily quantitative and computational approach to securities trading. It involves data mining and statistical methods, as well as the use of automated trading systems.

역사적으로 StatArb는 기본적 또는 시장 기반의 유사성에 의해 주식을 쌍으로 나누는 단순한 쌍무 거래[3] 전략에서 발전했다. 한 쌍의 한 종목이 다른 종목을 능가할 때, 실적이 저조한 종목을 오래 사들이고 실적이 저조한 종목을 매각하여 실적이 저조한 종목이 그 파트너를 향해 오를 것이라는 기대감에서 비롯된다.

수학적으로 말하면, 높은 상관관계, 공동통합 또는 기타 공통요소 특성을 가진 한 쌍의 종목을 찾는 전략이다. 다양한 통계 도구는 단순한 거리 기반 접근법에서부터 공동 통합 및 코풀라 개념과 같은 보다 복잡한 도구에 이르기까지 쌍 간 거래의 맥락에서 사용되어 왔다.[4]

StatArb는 베타 및 기타 위험 요인에 대한 노출을 제거하기 위해 부문과 지역별로 신중하게 일치하는 주식 쌍이 아니라 100개 이상의 포트폴리오(일부 길고 다소 짧은)를 고려한다. 포트폴리오 구성은 자동화되고 2단계로 구성된다. 1단계 또는 "점수"단계에서는 시장 내 각 종목에 그 만족도를 반영한 수치 점수나 순위가 배정된다. 높은 점수는 보유해야 할 종목을 나타내고 낮은 점수는 쇼트 후보 종목을 나타낸다. 채점 공식의 세부적인 내용은 다양하고 매우 독점적이지만, 일반적으로 (쌍끌이 거래와 마찬가지로) 단기 평균 역전 원칙을 수반하여, 예를 들어 지난 주에 비정상적으로 잘한 주식은 낮은 점수를 받고 실적이 저조한 주식은 높은 점수를 받는다.[5] 두 번째 또는 "위험 감소" 단계에서는 시장 및 요인 위험을 제거하거나 최소한 크게 줄이기 위해 주의 깊게 일치하는 비율로 주식을 포트폴리오로 결합한다. 이 단계에서는 다양한 위험 요인을 제한하거나 제거하기 위해 MSCI/Barra, APT, Northfield, Risk Infotech 및 Axioma와 같이 상용화된 위험 모델을 사용하는 경우가 많다.[6]

위험

유한한 기간에 걸쳐 낮은 확률의 시장 이동은 많은 단기 손실을 초래할 수 있다. 그러한 단기 손실이 중간 마진 호출을 충족하기 위한 투자자의 자금 조달보다 더 크다면, 전략의 모델링된 예측이 궁극적으로 정확하다고 판명될 때 조차 그것의 위치를 손실로 청산할 필요가 있을 수 있다. 1998년 장기자본운용의 디폴트(채무불이행)는 펀드가 불리한 시장 변동을 커버하기 위해 담보를 올리지 못해 실패한 사례로 널리 알려졌다.[7]

통계적 차익거래는 주식 또는 유가증권 특정 위험뿐만 아니라 모델 약세도 수반된다. 모형의 기초가 되는 통계적 관계는 거짓일 수도 있고, 기초 자산의 수익 분배의 변화로 인해 붕괴될 수도 있다. 모델이 노출되는 것을 모를 수 있는 요인은 시장에서 가격 행동의 중요한 동인이 될 수 있으며, 그 반비례도 적용된다. 모델에 기초한 투자의 존재는 특히 비슷한 원칙을 가지고 충분한 진입자가 투자하는 경우에 기초적인 관계를 변화시킬 수 있다. 차익거래 기회를 이용하는 것 자체가 시장의 효율을 높여 차익거래의 범위를 줄여주기 때문에 모델의 지속적인 업데이트가 필요하다.

주식 특정 수준에서 개인 명의의 인수합병(M&A) 활동이나 채무불이행(Default)의 위험이 있다. 그러한 사건은 과거 자료에 대한 경험적 통계 분석에서 가정된 역사적 관계의 중요성을 즉시 무효화할 것이다.

StatArb 및 시스템 위험: 2007년 여름 사건

2007년 7월과 8월 동안 다수의 StatArb(및 기타 Quant 유형) 헤지펀드가 동시에 유의미한 손실을 보았는데, 이는 공통적인 위험요인이 없는 한 설명하기 어렵다.[8] 아직 그 이유를 완전히 이해하지 못하지만, 몇몇 공개된 계정들은 자본 인출이나 마진 콜을 경험한 기금의 긴급 청산을 비난하고 있다. 그 펀드는 신속하게 입장을 정리함으로써 장단기 주식의 가격을 압박했다. 다른 StatArb 펀드의 포지션이 비슷했기 때문에 알파 모델과 위험 저감 모델의 유사성으로 인해 다른 펀드는 역효과를 경험했다.[9] 행사 버전 중 하나는 모건스탠리의 매우 성공적인 StatArb 펀드인 PDT가 어떻게 회사의 다른 부분에서의 스트레스에 대응하여 그들의 위치를 줄이기로 결정했는지, 그리고 이것이 며칠 동안 정신없이 거래하는 데 어떻게 기여했는지 설명한다.[10]

어떤 의미에서, StatArb에 주식이 많이 관여되어 있다는 사실 자체가 위험 요소로서, 상대적으로 새로운 위험 요소여서 StatArb 모델에서는 고려하지 않았다. 이러한 사건들은 StatArb가 시장에서 중요한 요소인 만큼 발전했고, 기존 펀드의 포지션이 비슷하며, 사실상 동일한 수익을 위해 경쟁하고 있다는 것을 보여주었다. Khandani와 Lo의 간단한 StatArb 전략 시뮬레이션은 그러한 전략에 대한 수익이 1998년에서 2007년까지 상당히 감소했음을 보여주는데, 아마도 경쟁 때문일 것이다.[9]

It has also been argued that the events during August 2007 were linked to reduction of liquidity, possibly due to risk reduction by high-frequency market makers during that time.[11]

It is a noteworthy point of contention, that the common reduction in portfolio value could also be attributed to a causal mechanism. The 2007-2008 financial crisis also occurred at this time. Many, if not the vast majority, of investors of any form, booked losses during this one year time frame. The association of observed losses at hedge funds using statistical arbitrage is not necessarily indicative of dependence. As more competitors enter the market, and funds diversify their trades across more platforms than StatArb, a point can be made that there should be no reason to expect the platform models to behave anything like each other. Their statistical models could be entirely independent.

Worldwide practice

Statistical arbitrage faces different regulatory situations in different countries or markets. In many countries where the trading security or derivatives are not fully developed, investors find it infeasible or unprofitable to implement statistical arbitrage in local markets.

China

In China, quantitative investment including statistical arbitrage is not the mainstream approach to investment. A set of market conditions restricts the trading behavior of funds and other financial institutions. The restriction on short selling as well as the market stabilization mechanisms (e.g. daily limit) set heavy obstacles when either individual investors or institutional investors try to implement the trading strategy implied by statistical arbitrage theory.

See also

Citations

  1. ^ Andrew W. Lo (2010). Hedge Funds: An Analytic Perspective (Revised and expanded ed.). Princeton University Press. p. 260. ISBN 978-0-691-14598-3.
  2. ^ "Statistical Arbitrage". DayTradeTheWorld. 28 February 2020.
  3. ^ Mahdavi Damghani, Babak (2013). "The Non-Misleading Value of Inferred Correlation: An Introduction to the Cointelation Model". Wilmott. 2013 (1): 50–61. doi:10.1002/wilm.10252.
  4. ^ Rad, Hossein; Low, Rand Kwong Yew; Faff, Robert (2016-04-27). "The profitability of pairs trading strategies: distance, cointegration and copula methods". Quantitative Finance. 16 (10): 1541–1558. doi:10.1080/14697688.2016.1164337. ISSN 1469-7688. S2CID 219717488.
  5. ^ Avellaneda, Marco (Spring 2011). "Risk and Portfolio Management; Statistical Arbitrage" (PDF). Courant Institute of Mathematical Sciences. Retrieved 2015-03-30.
  6. ^ For example, Andrew Lo (op.cit.) states "the widespread use of standardized factor risk models such as those from MSCI/BARRA or North-field Information Systems ... will almost certainly create common exposures among those managers to the risk factors contained in such platforms"
  7. ^ Lowenstein, Roger (2000). When Genius Failed: The Rise and Fall of Long-Term Capital Management. Random House. ISBN 978-0-375-50317-7.
  8. ^ Mahdavi Damghani, Babak (2012). "The Misleading Value of Measured Correlation". Wilmott. 2012 (1): 64–73. doi:10.1002/wilm.10167. S2CID 154550363.
  9. ^ a b Amir Khandani and Andrew Lo. What Happened to the Quants In August 2007?
  10. ^ Scott Patterson (2010-01-22). "The Minds Behind the Meltdown". Wall Street Journal Online. Retrieved 2011-06-06.
  11. ^ Amir Khandani and Andrew Lo. What Happened to the Quants in August 2007?: Evidence from Factors and Transactions Data
  12. ^ Mahdavi Damghani, Babak (2013). "De-arbitraging With a Weak Smile: Application to Skew Risk". Wilmott. 2013 (1): 40–49. doi:10.1002/wilm.10201. S2CID 154646708.

Other sources

  • Avellaneda, M. and J.H. Lee: "Statistical arbitrage in the US equities market". A well documented empirical study which confirms that StatArb profitability dropped after 2002 and 2003.
  • Bertram, W.K., 2009, Analytic Solutions for Optimal Statistical Arbitrage Trading, Available at SSRN: https://ssrn.com/abstract=1505073.
  • Bertram, W.K., 2009, Optimal Trading Strategies for Ito Diffusion Processes, Physica A, Forthcoming. Available at SSRN: https://ssrn.com/abstract=1371903. Presents a robust theoretical framework for statistical arbitrage trading.
  • Richard Bookstaber: A Demon Of Our Own Design, Wiley (2006). Describes: the birth of Stat Arb at Morgan Stanley in the mid-1980s, out of the pairs trading ideas of Gerry Bamberger. The eclipse of the concept after the departure of Bamberger for Newport/Princeton Partners and of D.E. Shaw to start his own StatArb firm. And finally the revival of StatArb at Morgan Stanley under Peter Muller in 1992. Includes this comment (p. 194): “Statistical arbitrage is now past its prime. In mid-2002 the performance of stat arb strategies began to wane, and the standard methods have not recovered.”
  • Jegadeesh, N., 1990, 'Evidence of Predictable Behavior of Security Returns', Journal of Finance 45, p. 881–898. An important early article (along with Lehmann’s) about short term return predictability, the source of StatArb returns
  • Kolman, Joe (1998). "Inside D. E. Shaw". Derivatives Strategy. Retrieved 23 June 2013.
  • Lehmann, B., 1990, 'Fads, Martingales, and Market Efficiency', Quarterly Journal of Economics 105, pp. 1–28. First article in the open literature to document the short term return-reversal effect that early StatArb funds exploited.
  • Ed Thorp: A Perspective on Quantitative Finance – Models for Beating the Market Autobiographical piece describing Ed Thorp's stat arb work in the early and mid-1980s (see p. 5)
  • Ed Thorp: Statistical Arbitrage, Wilmott Magazine, June 2008 (Part1 Part2 Part3 Part4 Part5 Part6). More reminiscences from the early days of StatArb from one of its pioneers.

외부 링크