Последние научные исследования 27. Alpha in Academia.

Перевод статьи из блога Alpha in Academia.

https://t.me/holyfinance

Макроэкономические объявления и внутридневной импульс

В Китае макроэкономические новости создают однодневные тренды на рынке акций, которые наиболее сильны, когда новости содержат информацию, относящуюся к конкретным акциям.

В статье задается вопрос, почему внутридневной импульс (моментум) резко возрастает в дни объявления политических решений, а затем тестируется информационный канал. В ней измеряется новостной контент каждой акции с помощью DVAR, простого показателя, который сравнивает дисперсию аномальной доходности акции в коротком окне объявления с близлежащими днями без событий после удаления шести стандартных факторов риска. Более высокий DVAR означает, что объявление добавило больше информации, относящейся к конкретной акции, которую цены еще не полностью усвоили.

Используя данные о котировках акций категории A за период с 2013 по 2023 год, авторы разделили торги на периоды до, во время и после объявления. Они подтверждают, что первые полчаса торгов предсказывают последние полчаса в большинстве дней, и эта связь гораздо сильнее в период объявления. Ключевым результатом является то, что импульс усиливается именно в акциях с более высоким DVAR в течение периода объявления важных новостей, касающихся высших встреч, фискальной и денежно-кредитной политики, что указывает на дополнительную информацию, а не на сам факт события, как движущую силу. На рисунке ниже, взятом из обзора литературы в статье, сравнивается старая точка зрения («макроэкономические дни имеют больший импульс») с механизмом авторов, согласно которому макроэкономические новости добавляют неравномерную информацию по акциям, что затем подпитывает тенденции в тот же день.

Примечание: в предыдущих публикациях в основном упоминается только то, что внутридневная динамика более выражена во время макроэкономических объявлений, без объяснения причин этого явления. В данной статье выдвигается предположение, что макроэкономические объявления приносят дополнительную информацию (DVAR), и именно DVAR объясняет более выраженную внутридневную динамику.

Тесты механизма показывают, что институциональные инвесторы редко корректируют свои позиции, и когда DVAR высок, эти медленные ребалансировки происходят с утра до закрытия, в то время как ритейл инвесторы, «поздно информированные», ослабевают. Результаты получены на основе в основном неплановой политической среды Китая (unscheduled policy environment), поэтому их применимость к плановым режимам может быть ограничена.

Чжан, Сян, Чжан, Кэ, Ли, Юлу и Пан, Чжиюань, «Инкрементальная информация макрообъявлений по акциям и внутридневной импульс». Доступно на SSRN: https://ssrn.com/abstract=5413265 или http://dx.doi.org/10.2139/ssrn.5413265

Побочные эффекты сюрпризов в отчётах о доходах

Новости о прибылях не ограничиваются компанией, которая их сообщает. Они распространяются на близких конкурентов и влияют на их цены.

В статье показан простой способ отслеживания этих побочных эффектов. Он превращает отчет о прибылях каждой компании в короткий текстовый документ, находит ближайших конкурентов, а затем проецирует неожиданные результаты компании на этих конкурентов. Авторы называют это прогнозируемым SUE, который представляет собой сюрприз компании, взвешенный по текстовому сходству. Когда компания публикует отчет, ее акции меняются примерно на 12 базисных пунктов при отклонении на одно стандартное отклонение. Акции ближайших конкурентов меняются примерно на 3 базисных пункта в тот же день и примерно на 2 базисных пункта на следующий день, что показывает, что новости распространяются по связанным компаниям. Разрыв (gap) не закрывается сразу. Доходность колеблется в течение нескольких дней после новостей, прежде чем исчезнуть.

Это показывает, что разрыв сокращается почти до нуля примерно к 20-му дню.

Простой портфель длинных и коротких позиций, построенный на основе прогнозируемого SUE, приносит около 11 процентов в год с коэффициентом Шарпа около 1,75 в выборке. На рыночном уровне агрегирование этих прогнозируемых неожиданностей помогает объяснить многие так называемые аномальные доходности и улучшает прогнозы на следующий день для доходности стиля «стоимость». Как пишут авторы, «дрейф сохраняется в течение примерно 20 дней». Эффект исчезает примерно на 20-й день и зависит от текста отчета о прибылях, поэтому недостаточное освещение может ослабить его.

Чжан, Конг и Хэ, Чжэньчжи и Хэ, Чжэньчжи, «Перекрестные побочные эффекты неожиданных прибылей и аномалий цен на активы» (28 августа 2025 г.). Доступно на SSRN: https://ssrn.com/abstract=5415255 or http://dx.doi.org/10.2139/ssrn.5415255

LLM для валютных рынков

Небольшая точно настроенная LLM читает новости о валютных рынках более точно, чем старые инструменты, и превращает их в торговый сигнал.

Авторы точно настраивают открытую модель Llama 3.1 на новости валютного рынка и классифицируют точку зрения каждой статьи на прошлое и ближайшие несколько дней для валют G10, основных валют развитых рынков. Они комбинируют человеческие метки с удаленными метками, которые являются тегами, выведенными из пятидневных доходностей до или после публикации, чтобы эффективно масштабировать обучающие данные. Устаревшие базовые модели, такие как FinBERT, VADER и словарь Loughran McDonald, не могут разделять прошлое и будущее и требуют агрегирования по предложениям, в то время как точно настроенная модель читает полные статьи и присваивает обе метки напрямую. На небольшом наборе тестовых данных, созданных людьми, точно настроенная версия лидирует как по классификации прошлого, так и будущего. На рисунке 2 отслеживается простой портфель G10 с нулевыми комиссиями, построенный на основе ежедневных сигналов из статей, и показано, что точно настроенная модель является единственным подходом, обеспечивающим стабильную прибыль по всем источникам, причем DailyFX превышает 10% с 2020 года, что свидетельствует об экономической значимости, выходящей за рамки точности.

Рисунок 2: Кумулятивная доходность торговой стратегии G10, основанной на настроениях, сгенерированных различными методами и моделями, с разбивкой по источникам данных.

Авторы прямо заявляют: «Тщательно настроенные LLM обладают большим потенциалом для анализа настроений на валютном рынке». Они также приходят к выводу, что «тщательно настроенная модель Llama генерирует прибыльные торговые сигналы». Основные предостережения заключаются в том, что эффективность зависит от источника новостей и что действительно нейтральные новости по-прежнему трудно классифицировать, поэтому практикующие специалисты должны отслеживать состав источников и сосредоточивать сигналы на четких признаках повышения или понижения курса.

Баллинари, Даниэле и Мали, Джессика, Анализ настроений на валютном рынке с помощью больших языковых моделей (26 августа 2025 г.). Рабочий документ Швейцарского национального банка № 2025-11, доступ на SSRN: https://ssrn.com/abstract=5406332 или http://dx.doi.org/10.2139/ssrn.5406332

Прогнозирование волатильности

Может ли интерпретируемая модель смены режимов превзойти глубокое обучение в прогнозировании рыночной волатильности на следующий день?

В статье сравниваются классические эконометрические модели с популярными моделями машинного обучения для прогнозирования реализованной волатильности индекса S&P 500. В ней тестируются линейные модели HAR и их версии с переключением режимов, которые позволяют динамике меняться в состояниях высокой и низкой волатильности, по сравнению с моделями на основе деревьев и нейронных сетей в период с 1996 по 2023 год. Основной вывод является последовательным: когда в качестве входных данных используется только волатильность прошлых периодов, модели HAR с пороговым значением и плавным переходом, особенно STHAR, превосходят как линейные модели HAR, так и широкий набор моделей машинного обучения по точности прогнозирования и практической применимости.

«Явным победителем с точки зрения достижения наименьших MSPE и QLIKE является модель STHAR». Помимо точности, STHAR обеспечивает лучшие прогнозы риска и высокую реализованную полезность, а ее покрытие VAR (Value at Risk) надежно ближе к целевому значению, что важно для портфелей, которые должны определять размер позиций в соответствии с лимитом риска. Авторы приходят к выводу, что выбор модели должен основываться на фактически имеющихся данных, а не на самой яркой архитектуре, поскольку «модели ML не являются универсальным решением для задач прогнозирования реализованной волатильности».

Kılıç, Rehim, Линейные и нелинейные эконометрические модели против моделей машинного обучения: прогнозирование реализованной волатильности (август 2025 г.). Рабочий документ FEDS № 2025-61, доступен на SSRN: https://ssrn.com/abstract=5401194 или http://dx.doi.org/10.17016/FEDS.2025.061