Последние научные исследования 13. Alpha in Academia.
Перевод статьи из блога Alpha in Academia.
Больше переводов в телеграмм-канале:
https://t.me/holyfinance
Футбольные победы и доходность рынка
Название статьи: Пойте, когда выигрываете: Футбольное соперничество и эмоциональная динамика фондового рынка
В этом документе делается вывод о том, что международные футбольные матчи, в том числе чемпионат мира по футболу, чемпионат Европы и Кубок Америки, влияют на фондовые рынки в 15 странах. Когда национальная команда выигрывает, рынки получают положительную прибыль, в то время как убытки приводят к снижению и увеличению волатильности.
Эффект сильнее всего проявляется в матчах соперничества, где победа еще больше укрепляет рынки, а проигрыш приводит к более резкому падению. Матчи плей-офф также приводят к снижению объема торгов и повышению волатильности после игры, что отражает неуверенность инвесторов. В исследовании подчеркивается, как выступление национальной команды на крупных турнирах влияет на настроения инвесторов и доходность акций.
Как американец (и большой поклонник американского футбола), я предпочитаю называть этот вид спорта “соккер”, хотя остальной мир может с этим не согласиться. Я нахожу эту статью увлекательной, поскольку в ней сочетаются две вещи, которые я люблю (спорт и финансовые рынки).
Это классический пример того, как на рынки влияют эмоции инвесторов, которые совершенно не связаны с рынками. Торговля на основе эмоций на рынках все еще существует сегодня.
Информационное преимущество проп-компаний
Название статьи: ФРС и Уолл-стрит ставят
В этой статье рассматривается, как частные торговые проп-компании (PTF) торгуют опционами на индекс S&P 500 перед объявлениями FOMC, часто открывая крупные короткие позиции до того, как ФРС опубликует политические решения. Используя данные CFTC Large Trader Reporting (LTR) и отчеты о торговле опционами на бирже CBOE, исследование показало, что PTF систематически получают прибыль от реакции рынка после заседания FOMC, особенно когда решение ФРС удивляет ожидания.
Их торговля наиболее активна перед важными изменениями в политике, что предполагает либо информационное преимущество, либо превосходную способность к прогнозированию. Полученные результаты поднимают вопросы об эффективности рынка и о том, лучше ли одни трейдеры понимают политику ФРС, чем другие.
Мы все знаем, что в финансовых компаниях и частных трейдинговых фирмах полно умных людей, обладающих большим количеством ресурсов и данных. Очевидно, что они могут использовать свою информацию для лучшего прогнозирования будущих решений ФРС и стабильно получать от этого прибыль.
Это наглядный пример альфы в институциональных финансах. Я не думаю, что источники данных из этой статьи обновляются достаточно часто, чтобы попытаться воспроизвести сделки в режиме реального времени, но было бы интересно изучить взаимосвязи. Интересно, как быстро это преимущество будет уменьшено, особенно после публикации этой статьи.
Прогнозирование инфляции с помощью сырьевых товаров
Название статьи: О прогнозирующей способности фьючерсных цен на продовольственные товары при прогнозировании инфляции
В этом исследовании исследуется, могут ли фьючерсные цены на продовольственные товары улучшить прогнозы инфляции в США. Используя ежемесячные фьючерсные данные за период с 1996 по 2023 год, авторы разрабатывают модели, основанные на двенадцати различных продовольственных товарах, а также агрегированные модели с использованием простого компонентного подхода и анализа основных компонентов (PCA).
Их результаты показывают, что модели, основанные на прогнозировании будущего, в частности подход, основанный на PCA, превосходят традиционные макроэкономические модели в прогнозировании как продовольственной инфляции, так и общего уровня инфляции потребительских цен в краткосрочной и долгосрочной перспективе (от 3 до 12 месяцев). Спотовые цены демонстрируют схожую прогностическую силу, что повышает надежность этих моделей.
Многие экономисты, правительственные учреждения и инвестиционные фонды пытаются прогнозировать будущий индекс потребительских цен. Неудивительно, что цены на продовольствие (особенно цены на финансовых рынках) могут обладать прогностической силой, учитывая, что цены на продовольствие составляют около 14% от индекса потребительских цен.
Это показывает, насколько эффективно рынок определяет точные и справедливые цены на фьючерсные контракты на сельскохозяйственные товары. Я не уверен, что одной этой информации достаточно для построения отличной модели прогнозирования индекса потребительских цен/инфляции, но она может оказаться полезной частью или дополнением.
Прогнозирование доходности корпоративных облигаций
Название статьи: Прогнозирование доходности индекса корпоративных облигаций
В этой статье исследуется, можно ли предсказать доходность индекса корпоративных облигаций, используя фундаментальные показатели компаний и макроэкономические тенденции. Авторы анализируют 180 характеристик компаний (таких как прибыльность и левередж) и 65 экономических показателей (таких как инфляция и занятость), чтобы найти полезные предикторы.
Они тестируют различные модели прогнозирования и обнаруживают, что метод частичных наименьших квадратов (PLS) работает лучше всего, значительно улучшая прогнозы доходности по сравнению с традиционными методами. Инвесторы, использующие этот подход, достигают коэффициента Шарпа 0,85 (облигации инвестиционного класса) и 0,92 (высокодоходные облигации) по сравнению с 0,44 при простой стратегии покупки и удержания.
Еще одна статья о прогнозировании! В этой статье используется множество различных переменных-предикторов, и это заставляет меня беспокоиться о том, что модель может перестроиться на прошлые данные. Тем не менее, авторы должны использовать метод раздельного тестирования для проверки точности модели, и результаты, полученные вне выборки, по-прежнему довольно хороши.
Коэффициент Шарпа у торговой стратегии хороший, но он не потрясающий. Тем не менее, это интересная статья.
Прогнозирование индекса S&P 500 с помощью нейронных сетей
Название статьи: Прогнозирование индекса S&P 500 с использованием моделей LSTM
В данной статье сравниваются модели ARIMA и LSTM для прогнозирования индекса S&P 500 (SPX). В то время как ARIMA хорошо справляется с краткосрочными тенденциями (точность 89,8%), она испытывает трудности с долгосрочными зависимостями из-за своих линейных допущений. LSTM, модель глубокого обучения, разработанная для последовательных данных, значительно превосходит ARIMA, достигая точности 96,41% при гораздо меньших ошибках прогнозирования (MAE: 175,9 против 462,1).
Удивительно, но модель LSTM без дополнительных функций (таких как технические индикаторы и макроэкономические данные) показала лучшие результаты, чем версия с дополнительными функциями, что позволяет предположить, что глубокое обучение может извлекать соответствующие закономерности только из ценовых данных. Полученные результаты подтверждают потенциал LSTM в области прогнозирования финансового рынка, а будущие усовершенствования будут сосредоточены на гибридных моделях и передовых методах глубокого обучения.
Третья за сегодня статья о прогнозировании! Я обещаю, что сделал это не специально (это просто лучшие статьи, которые я нашел за прошедшую неделю).
Здесь не о чем много говорить, поскольку я уже публиковал предыдущие статьи об использовании LSTM для прогнозирования доходности акций. Эта статья согласуется с предыдущими статьями в том, что модели LSTM более точны, чем традиционные модели ARIMA. Это заставляет меня пожалеть, что в моем студенческом курсе по прогнозированию временных рядов не было моделей LSTM в дополнение к моделям ARIMA и GARCH!