Diskussion zum Artikel "Statistische Arbitrage durch kointegrierte Aktien (Teil 5): Screening"

[MetaQuotes]

Neuer Artikel Statistische Arbitrage durch kointegrierte Aktien (Teil 5): Screening :

In diesem Artikel wird ein Verfahren zum Screening von Vermögenswerten für eine statistische Arbitragestrategie durch kointegrierte Aktien vorgeschlagen. Das System beginnt mit der regulären Filterung nach wirtschaftlichen Faktoren, wie z. B. Vermögensbereich und Branche, und endet mit einer Liste von Kriterien für ein Scoring-System. Für jeden statistischen Test, der beim Screening verwendet wurde, wurde eine entsprechende Python-Klasse entwickelt: Pearson-Korrelation, Engle-Granger-Kointegration, Johansen-Kointegration und ADF/KPSS-Stationarität. Diese Python-Klassen werden zusammen mit einer persönlichen Anmerkung des Autors über den Einsatz von KI-Assistenten für die Softwareentwicklung bereitgestellt.

Bei unserer Strategie handelt es sich um eine Strategie der Rückkehr zum Mittelwert (mean-reversion), eine Art statistische Arbitrage, bei der Nasdaq-Aktien, die mit Nvidia kointegriert sind, entsprechend ihrer Portfoliogewichtung gleichzeitig gekauft und verkauft werden, um Marktneutralität zu erreichen. Unser umfangreiches Angebot an Optionen umfasst alle Nasdaq-Aktien. die spezifischen Kriterien, die erfüllt werden müssen, sind

1. die Kointegrationsstärke, wie sie sich aus dem Engle-Granger- und dem Johansen-Test ergibt,
2. die Stabilität der Portfoliogewichte,
3. die Qualität der Stationarität der Streuung, wie sie durch den ADF- und den KPSS-Test angezeigt wird,
4. die Liquidität der Vermögenswerte.

Diese vier Kriterien genügen uns, um ein Punktesystem zu erstellen. Ein Scoring-System sollte uns einen Handelsvorteil verschaffen, der sich aus der Identifizierung von Aktiengruppen ergibt, deren Kurse sich auf lange Sicht stabil und vorhersehbar gemeinsam bewegen. Wir brauchen ein Punktesystem, weil nicht jedes Paar oder jede Gruppe für unsere Zwecke geeignet ist. Wenn wir einfach jede mögliche Kombination von Aktien testen, mit Hunderten oder Tausenden von Aktien, explodiert die Zahl der möglichen Paare und Körbe. Wir dürfen nicht vergessen, dass wir diesen statistischen Arbitrage-Rahmen für den durchschnittlichen Einzelhändler entwickeln, der über ein Konsumenten-Notebook und eine normale Netzwerkbandbreite verfügt. Wenn wir anfangen, jede mögliche Kombination zu testen, wird der Prozess von Anfang an sehr rechenintensiv. Durch ein Scoring-System vermeiden wir es, unser Geld in Paaren oder Gruppen zu riskieren, die nur kurzfristig korreliert sind oder die aufgrund geringer Liquidität oder Transaktionskosten nicht handelbar sind.

Vielleicht ist die bessere Analogie für einen Screening-Prozess mit einem Scoring-System die eines Trichters: Wir fangen breit an und eliminieren allmählich ungeeignete Kandidaten, indem wir zunächst nach Sektor- und Branchenähnlichkeit ausschließen und dann nach Korrelation, Kointegration und Stationarität scoren. Schließlich eliminieren wir diejenigen, die nach unserem Risiko-/Geldmanagement nicht handelbar sind. Dieses Verfahren erhöht die Wahrscheinlichkeit, Warenkörbe zu finden, die nicht nur statistisch signifikant, sondern auch wirtschaftlich sinnvoll und handelbar sind.

Autor: Jocimar Lopes