포트폴리오 최적화는 위험과 수익 예측에 초점을 맞추고 있지만, 실행 비용은 매우 중요합니다. 그러나 거래 비용을 예측하는 것은 큰 규모의 투자자에게 가장 큰 구성 요소가 거래 규모, 거래량 및 거래자의 신분에 따라 가격 영향이므로 일반적인 솔루션을 방해하기 때문에 도전적입니다. 이 문제를 해결하기 위해, 2024 년 8 월의 연구 거래량 알파벳의 저자 Rusian Goyenko, Bryan Kelly, Tobias Mosko, Yinan Suwitz 및 Chao Zhang은 거래량이 거래 비용을 추정하는 귀중한 정보의 원천이라고 가정하고 거래 규모가 고정되어 거래량이 거래량에 따라 거래 비용이 감소해야한다고 가정했습니다.

먼저, 그들은 이전 연구 (Frazzini, Israel, Moskowitz, 2018) 에 따르면 거래 규모와 일일 거래량 (량화 거래라고 불리는 시장 참여율) 이 가격 영향을 미치는 비용의 핵심 동원이며 가격 영향은 참여율의 증식 함수라고 지적했다. 거래 규모가 변하지 않는 상황에서 거래량이 적을수록 거래자의 가격 영향이 더 크다. 따라서 다른 조건과 동일한 상황에서 예상 거래량이 높을수록 거래자는 거래 금액을 더 많이 거래 할 수 있습니다. 거래당 가격이 영향을 미치기 때문에 거래량이 더 작다. 반대로, 낮은 예상 거래량은 거래자의 거래가 덜 급진하게, 거래 규모를 축소 (대도 0까지) 할 수 있기 때문에 달러당 가격이 영향을 미치기 때문에 거래자의 거래가 덜 급진하게됩니다. 따라서, 그들의 전략은 예상 거래의 비용으로 거래의 양을 예측하는 것이며, 그 다음에는 예상 거래 비용을 활용하여 이러한 투자 비용을 감면하여 예측을 최적화합니다.

그 다음, 저자들은 거래량을 예측하는 기계 학습 모델을 소개한다. 그들의 모델은 회귀신경망을 기반으로 한다. 거래량을 예측하기 위해, 그들은 미흡한 수익과 미흡한 거래량과 문헌에서 발견된 수익을 잡는 비정상적인 회사 특성을 포함한 기술적 신호를 사용한다.

그리고 나서 저자들은 그들의 모델을 사용하여 포트폴리오를 구성하는 방법을 보여준다.

거래량 예측의 경제적 의미를 가하기 위해, 우리는 거래량 예측을 포트폴리오 합리성 문제에 포함시켰습니다. 우리는 평균-차효율 함수를 사용하여 포트폴리오의 순비용 성과를 극대화하기 위한 포트폴리오 프레임워크를 구축했으며, 여기에는 거래 비용과 참여율의 선형적 관계가 있습니다. 거래 비용과 거래의 기회에 대한 최적화 균형이 있습니다.

마찬가지로, 실제로 어떤 물건의 거래 비용이 높을 때, 다른 것을 거래하는 것이 다른 선택이다. 예를 들어, A의 거래 비용이 너무 높다면, 거래 비용이 낮은 B를 고려할 수 있다. 이것은 거래하지 않는 것보다 더 좋을 수 있다. 일반적으로 그들 중 많은 사람들이 비슷한 특성을 가지고 있기 때문에 기대 수익도 비슷하며, 기금에는 때때로 거래가 필요합니다.

그들의 표본 기간은 2018년에서 2022년, 즉 1,258일이다. 횡단면은 약 4,700종을 포함하고, 하루 평균 3,500종, 또는 총 4,400,000개의 관측값이다. 다음은 그들의 주요 발견 중 일부의 요약이다:

그들의 모델은 다양한 거래량을 정확하게 예측할 수 있습니다.

• 가격 영향 비용 (상거래 규모가 고정되어 있다고 가정하면) 은 참여율과 선형적으로 관련이 있지만 거래량과 비선형적으로 관련이 있습니다. 거래량이 매우 낮다는 것은 영향 비용이 지수적으로 높다는 것을 의미하며 거래량이 매우 높다는 것은 비용을 무시할 수 있다는 것을 의미합니다. 기계 학습 기술은 거래량을 예측하는 능력을 크게 향상시킬 수 있습니다. 부분적으로 거래량의 비선형성과 거래 비용과의 관계가 있기 때문에 대용량 데이터는 거래량 예측의 정확성을 크게 향상시킵니다.
• 대기업의 예측 정확도가 작은 기업보다 높습니다. 작은 기업은 평균적으로 유동성이 낮을 뿐만 아니라 유동성이 예측하기 더 어렵고 변동성이 더 큽니다.
• 거래 규모가 변하지 않으면 거래량이 0으로 갈수록 유동성 수요자의 가격 영향 비용은 무한에 가깝습니다 (주의하십시오. 유동성 공급자의 경우는 그 반대입니다. 이것이 인내심이 중요한 이유입니다.) 거래량이 커지면 영향 비용은 0에 가깝습니다.
• 거래량이 낮을 때 거래량 예측의 변화는 더 큰 경제적 영향을 미치며, 이로 인해 양적 예측 오류의 비대칭적인 비용이 발생한다. 그러나, 오류를 추적하거나 거래하지 않는 기회 비용은 거래량과 관련이 없다. 두 가지 효과의 조합은 거래량을 과대평가하는 거래량을 최적화하는 것이 거래량을 과소평가하는 거래량을 과소평가하는 것보다 거래량을 과대평가하는 거래량이 너무 많은 거래량이 거래량을 과소평가하는 것보다 더 많은 거래가 발생한다는 것을 의미합니다. 거래량이 낮을 때 거래 비용과 거래량 사이의 관계는 매우 두꺼우며 거래량이 높을 때 거래 비용과 거래량 사이의 관계는 평평합니다.
• 거래 비용은 AUM 증가에 따라 증가하고, 추적 오류의 상대적 손실은 AUM 증가에 따라 감소합니다. 거래 비용과 추적 오류 사이의 최적의 균형은 포트폴리오의 규모에 따라 달라지며, 거래량 예측의 경제적 효과도 달라집니다. 작은 AUM에 대해, 추적 오류는 주로 거래 비용을 고려합니다. 거래량 예측의 경제적 이익은 상대적으로 덜 가치가있을 수 있습니다. 큰 AUM에 대해 거래 비용 고려 요소가 지배적입니다.
• 거래량이 높은 요소들 (예: 동력, 단기 역전) 은 거래량 예측에 따라 예상 거래 비용을 고려한 포트폴리오 최적화로부터 더 많은 이익을 얻습니다 (그림 참조).

그래프: 각 요소 포트폴리오의 평균 수익률 개선

A. 각 요인 조합을 구현 B. 주제 그룹 평균 각 지점은 JKP 인수 포트폴리오를 구현한다. y축은 rnn.econall과 ma5 이후의 비용 평균 초과 수익의 차이이다. x축은 인수 포트폴리오 목표의 주전률이다.

결과는 가설적인 결과이며, 미래 결과에 대한 지표가 아니며, 투자자가 실제로 얻은 수익을 나타내지 않습니다. 지수는 관리되지 않으며 관리 또는 거래 비용을 반영하지 않으며, 투자자는 지수에 직접 투자 할 수 없습니다.

• 거래량 알파값은 매우 큽니다. 거래량 알파값은 포트폴리오에 대한 임계 개선과 발견 수익 알파값만큼이나 크다. 예를 들어, 1 억 달러의 자금에 대해, 거래량 예측을 사용하여 지연 거래량 지수를 사용하지 않고, 비용 후 포트폴리오의 성과 향상은 예상 수익 또는 거래 비용 후 샤프 비율의 두 배에 달할 수 있습니다.

그들의 연구 결과는 저자들이 이렇게 결론을 내렸습니다.

거래량은 매우 예측 가능하며, 특히 머신러닝 기술, 빅데이터 신호, 그리고 예측의 복잡성을 활용하는 장점을 사용할 때 그렇습니다. 우리는 거래비용을 제외한 최적의 평균-차별 투자 포트폴리오를 달성하는 데 있어서 거래량 예측이 수익 예측과 마찬가지로 가치가 있다는 것을 발견했습니다. 우리는 경제 목표 함수를 직접 머신러닝에 포함시키는 것이 유용한 예측을 얻는 데 더 효과적이라는 것을 발견했습니다.

요약하다

“트레이딩 볼륨 알파”라는 논문은 거래량 문헌에 중요한 기여를 했다. 저자들은 기존 문헌을 명확하고 간결하게 개괄했다. 그들은 또한 거래량을 예측하는 새로운 기계 학습 모델을 제시했다. 그들의 발견은 양적 거래의 구조와 전략을 실행하는 방법을 완전히 바꿀 수 있습니다.

예측 변수를 더 포괄적으로 검색하고 거래량을 더 정확하게 예측하는 모델은 여기서 보여지는 것보다 더 큰 경제적 효과를 가져올 수 있습니다. 몇 가지 희망적인 추가 기능과 방법 후보자는 양적 거래 사이의 거래량 관계, 더 많은 계절 지표, 다른 시장 미시 구조 변수 및 더 복잡한 nn 및 rnn 모델입니다.

이 글은 트위터에 게재된 이 글의 본문입니다.