پیش بینی همبستگی قیمت دارایی برای محافظت از پویا

محافظت از پویا نیاز به پیش بینی همبستگی ها و "بتا" در کلاس های دارایی و قراردادها دارد. مقاله جدیدی در مورد حمایت از ارز پویا ، دو پیشرفت از رگرسیون سنتی را برای این منظور پیشنهاد می کند. اولین مورد استفاده از نوسانات گزینه ای است که به طور قابل ملاحظه ای با نوسانات و همبستگی واقعی آینده در بین دارایی ها مرتبط است. پیشرفت دوم استفاده از انقباض پارامتر در برآورد رگرسیون (روش Lasso) است که خطر ابتلا به بیش از حد را کاهش می دهد.

این پست با سخنرانی SRSV در مدیریت ریسک سیستمیک ، به ویژه بخشی از استراتژی های بحران با تنظیم اولیه نمونه کارها ارتباط دارد.

موارد زیر گزیده هایی از کاغذ است. تأکید و متن منحرف اضافه شده است.

ایده

"ما پیشنهاد می کنیمیک رویکرد ساده و قوی برای پرچین FX برای سرمایه گذاران در سطح جهان… ما ریسک ارزی را در زمینه بازده کل نمونه کارها از موقعیت های بین المللی ، اوراق قرضه و کالاها مشاهده می کنیم و موقعیت های FX را به ریسک می دهند. "

"[چارچوب محافظت] ...توسط سرمایه گذاران می تواند در زمان واقعی معامله شودبشرچنین رویکرد سابق لزوماً فقط می تواند از داده های گذشته یا فعلی استفاده کند. "

"ما مستند می کنیم که همبستگی بین ارز ، سهام و کالاها با گذشت زمان متفاوت است و با نوسانات ضمنی FX قابل پیش بینی است."

"مدل پیشنهادی ما را استخدام می کندانقباض رگرسیون به منظور جلوگیری از بیش از حد الگوهای همبستگی گذشتهتعیین موقعیت های FX. این رویکرد در تست های خارج از نمونه قوی تر است و از حمایت از FX بهینه برای سرمایه گذاران در سهام ، اوراق قرضه و کالاها خبر می دهد. "

"برای سهام و سرمایه گذاران کالا ، رویکرد محافظت از ما منجر می شودخطر متقارن و نزولی را در بازده ثابت یا بهبود یافته به شدت کاهش داددر هر واحد خطر. برای سرمایه گذاران اوراق قرضه ، رویکرد ما به پرچین کامل همگرایی می کند ، تأیید ادبیات در این زمینه کامل بهینه است. "

مزایای استفاده از نوسانات ضمنی

"ما متغیر را از ادبیات فاکتور ریسک جهانی که پیوندها در کلاسهای دارایی را بررسی می کند ، معرفی می کنیم: نوسانات ضمنی [حاصل از قیمت گزینه های مرتبط]."

“با افزایش استرس بازار FX ، همبستگی انتظار می رود بیشتر جفت های ارز USD با بازارهای سهام افزایش می یابد، که به سرمایه گذار اجازه می دهد تا از آن ارزها خارج یا حتی کوتاه حرکت کند و به دلار یا ارزهای پناهگاه امن با همبستگی منفی ، مانند ین فرانک یا ژاپنی سوئیسی برود. این تنظیم مشروط از پرچین های FX منجر به کاهش خطر نسبت به پرچین بی قید و شرط ، به ویژه در دوره های بحران می شود. "

"مانندگزینه ها- نوسانات FX به شدت همبستگی آینده سهام و کالاهای بین المللی با ارزهای مختلف را پیش بینی می کندجفت های y ، این به عنوان اطلاعات تهویه مطبوع مفید برای یک سرمایه گذار در این کلاس های دارایی خدمت می کند ... [ما] شواهد محکمی پیدا می کنیم که دلالت بر نوسانات در بازار FX می تواند الگوهای همبستگی آینده سهام جهانی و کالاها را با ارزهای فردی و همچنین کل سبکهای FX پیش بینی کند.(مانند تجارت حمل و نقل) ... خصوصیات همبستگی FX پایدار نیست ، اما بسته به استرس درک شده در بازارهای FX ، که با نوسانات ضمنی گزینه ها در بازار FX اندازه گیری می شود ، از نظر شرط متفاوت است. "

"[شکل زیر] همبستگی یک سبد سهام جهانی به همان اندازه با وزن را در برابر جفت های مختلف ارز USD در سطل های مختلف تاخیر از نوسانات ضمنی در دوره نمونه 1995 تا 2014 نشان می دهد. ما از این طریق الگوهای قابل توجهی پیدا می کنیم. ارزهای تجاری حمل و نقل معمولی کانادا و استرالیا با سهام در کل ارتباط مثبت دارند. با این حال ، وجود داردبا افزایش نوسانات FX تاخیر در همبستگی نزدیک به همبستگی، ارائه اطلاعات تهویه مطبوع بسیار مفید برای یک سرمایه گذار ریسک پذیر. "

"تهویه بر نوسانات ضمنی ،سهام و کالاهای سرمایه گذاران در دوره های بحران به ارزهای مخفی ایمن تغییر می کنند، ارائه سری بازگشت نرم تر (انحراف استاندارد پایین) و محافظت از نزولی قابل توجه به ویژه در زمان های بد. از نظر انحراف استاندارد و همچنین خطر نزولی ، پرچین مبتنی بر نوسانات پیشنهادی ما حاکم بر معیارهای مربوط به عدم محافظت ، محافظت کامل و همچنین محافظت از بی قید و شرط است. "

مزایای استفاده از پارامتر کوچک شدن

"ماتریس کواریانس از حقوق صاحبان سهام و کالا- FX نه تنها متغیر زمان نیست ، بلکه تصادفی استسرمایه گذار باید محتاط باشد که از مدل پرچین مبتنی بر رگرسیون خود به داده های گذشته استفاده نکندهنگام انتخاب موقعیت های بهینه FX. "

وی گفت: "برای این منظور ، ما یک رویکرد کوچک و در عین حال مؤثر در رگرسیون را معرفی می کنیم: کمترین انقباض و انتخاب اپراتور انتخابی Lasso ... Lasso ... نشان داده شده است که دقت پیش بینی و تفسیر مدل های آماری را که تولید می کند افزایش می دهد ... Lasso معرفی می کندیک اصطلاح مجازات که اندازه مطلق را که تمام ضرایب رگرسیون می توانند به صورت تجمعی کاهش دهند… وزن لاسو به حداقل رساندن باقیمانده مربع در برابر به حداقل رساندن مقدار مقادیر پارامتر مطلق است. مدت مجازات از این طریق اهمیت نسبی انقباض در ضرایب را تعیین می کند: هرچه بالاتر باشد ، پارامترهای مطلق حاصل کمتر خواهد بود ...Lasso با کوچک کردن ضرایب کمتر مهم ، نوعی انتخاب زیر مجموعه مداوم را انجام می دهد(از نظر متناسب با مدل رگرسیون) به صفر در حالی که مهمتر از آنها کمتر کاهش می یابد. "

برای اطلاعات بیشتر در مورد Lasso و روش های مرتبط با پست در اینجا.

"این لاسو مبتنی برمحافظت از نیازهای محافظت از سرمایه گذار در دنیای واقعی ما که اکنون وزن بیشتری را روی ارزها با خاصیت همبستگی پایدار قرار می دهد ، به شدت ساده می کندو ارزهای صفر (کاملاً پرچین) با سر و صدای زیاد می گیرد. این منجر به موقعیت های FX با ثبات تر ، گردش مالی FX پایین تر و موقعیت های FX مطلق پایین تر (طولانی یا کوتاه) می شود که همه باعث می شود که در عمل اجرای این امر آسانتر شود. از همه مهمتر ، همچنین تأثیر زیادی بر عملکرد بازده ریسک در آزمایش خارج از نمونه دارد و منجر به کاهش خطر و همچنین بازده بالاتر در هر واحد خطر نسبت به مدل محافظت از الگوی درون نمونه می شود. "

"یک پنجره تخمین میانی بهینه است. این امر با ضرورت داشتن نقاط داده کافی برای اندازه گیری دقیق بتا بازار سهام ارزها ، از اهمیت بیشتری برخوردار است.