Nisbah Lindung Nilai Kalman: Regresi Dinamik untuk Dagangan Pasangan

Nisbah lindung nilai tetap memadankan satu pekali pada sampel pembentukan lalu mengekalkannya. Model lindung nilai dinamik sebaliknya menganggap pintasan dan kecerunan sebagai kuantiti pendam yang boleh berubah mengikut masa. Penapis Kalman menganggarkan kuantiti ini secara rekursif dengan menggabungkan anggaran terdahulu dan maklumat daripada pemerhatian baharu.

Bagi dua aset calon, katakan \(y_t\) ialah harga log satu aset dan \(x_t\) ialah harga log aset yang satu lagi. Regresi jangka panjang yang berubah boleh ditulis sebagai \(y_t=\alpha_t+\beta_t x_t+\epsilon_t\). Pekali \(\beta_t\) menerangkan hubungan terpadan pada masa \(t\); nilainya tidak secara automatik menjadi bilangan saham, posisi neutral dolar atau hukum ekonomi yang stabil.

Aplikasi ini menggunakan rekursi ramalan dan kemas kini umum bagi model ruang keadaan linear. Kalman memperkenalkan rangka kerja penapisan rekursif, dan kajian ekonometrik kemudian menggunakannya untuk menganggar pekali regresi yang berubah mengikut masa. Dagangan pasangan yang menggunakan spread stokastik ialah satu aplikasi, tetapi andaian dagangannya perlu dinilai secara berasingan daripada algoritma penapisan.

Takrifkan vektor keadaan dan baris pemerhatian:

\[ \theta_t= \begin{bmatrix}\alpha_t\\\beta_t\end{bmatrix}, \qquad H_t=\begin{bmatrix}1&x_t\end{bmatrix}. \]

Persamaan pemerhatian ialah \(y_t=H_t\theta_t+\epsilon_t\). Persamaan itu menyatakan bahawa harga log yang diperhatikan berkait dengan pintasan pendam dan pekali lindung nilai, ditambah hingar pemerhatian. Andaian permulaan yang lazim membiarkan kedua-dua pekali mengikut random walk:

\[ \theta_t=\theta_{t-1}+\eta_t,\qquad \eta_t\sim N(0,Q),\qquad \epsilon_t\sim N(0,R). \]

Di sini \(Q\) ialah kovarians perubahan pekali dan \(R\) ialah varians hingar pemerhatian. Menetapkan \(Q=0\) menjadikan pekali tetap dalam model ini; nilai \(Q\) positif membenarkannya hanyut. Peralihan keadaan lain juga boleh digunakan, tetapi setiap satunya membawa dakwaan berbeza tentang cara hubungan itu berkelakuan.

Spesifikasi mudah ini mengandaikan gangguan proses dan pemerhatian mempunyai min sifar, tidak berkorelasi secara bersiri dan saling bebas. Andaian itu sebahagian daripada model; pemerhatian harga tidak memenuhinya secara automatik.

Pada akhir \(t-1\), penapis mempunyai anggaran \(\hat\theta_{t-1|t-1}\) dan kovarians \(P_{t-1|t-1}\). Persamaan keadaan random walk meramalkan:

\[ \hat\theta_{t|t-1}=\hat\theta_{t-1|t-1}, \qquad P_{t|t-1}=P_{t-1|t-1}+Q. \]

Anggaran diteruskan, manakala ketidakpastian bertambah sebanyak kovarians perubahan pekali yang dibenarkan. \(P\) menerangkan ketidakpastian keadaan regresi pendam di bawah model yang dinyatakan. Ia bukan ramalan kerugian dagangan pasangan atau ukuran lengkap risiko portfolio.

Pemerhatian terpadan satu langkah ke hadapan ialah \(H_t\hat\theta_{t|t-1}\). Penggunaan keadaan terdahulu ini penting kerana ia dibentuk tanpa melihat \(y_t\) yang baharu. Jika residual dikira selepas pekali dikemas kini dengan pemerhatian yang sama, kemas kini itu telah pun menarik residual ke arah sifar.

Oleh sebab \(H_t\) mengandungi \(x_t\), harga penerang semasa mempengaruhi \(S_t\) dan gain. Apabila ketidakpastian kecerunan ketara, pemerhatian pada nilai \(x_t\) berbeza boleh membawa maklumat berlainan tentang \(\beta_t\), walaupun kovarians pintasan-kecerunan turut penting. Memusatkan atau menskalakan semula \(x_t\) mengubah unit pintasan dan pekali. Oleh itu unsur \(Q\) yang berkaitan dan \(P\) awal mesti ditukar atau dianggar semula, bukannya disalin tanpa perubahan.

Apabila pemerhatian baharu tiba, ralat ramalan satu langkah atau inovasi ialah

\[ v_t=y_t-H_t\hat\theta_{t|t-1}, \qquad S_t=H_tP_{t|t-1}H_t^{\mathsf T}+R. \]

Varians inovasi \(S_t\) menggabungkan ketidakpastian keadaan yang diramal dengan hingar pemerhatian. Gain Kalman dan kemas kini keadaan ialah

\[ K_t=P_{t|t-1}H_t^{\mathsf T}S_t^{-1}, \qquad \hat\theta_{t|t}=\hat\theta_{t|t-1}+K_tv_t. \]

Gain membahagikan kejutan baharu antara perubahan pada anggaran hubungan dengan tafsiran sebagai hingar. Gain yang lebih besar bermaksud anggaran lebih banyak berubah mengikut pemerhatian ini; ia tidak bermaksud hubungan itu lebih boleh dipercayai.

Bayangkan penapis hipotetikal meramalkan \(\hat\alpha=2.0\) dan \(\hat\beta=1.20\) apabila \(x_t=50\), lalu memperoleh \(\hat y=62.0\). Jika \(y_t=62.8\) diperhatikan, inovasinya ialah \(0.8\). Jika gain model ialah \([0.08,0.006]^{\mathsf T}\), pintasan yang dikemas kini ialah \(2.064\) dan kecerunannya \(1.2048\). Nilai rekaan ini hanya menunjukkan pengiraan; ia bukan nisbah lindung nilai empirikal atau bukti bahawa penyimpangan akan berbalik.

Matriks hingar proses \(Q\) menunjukkan sejauh mana pekali regresi dibenarkan berubah antara pemerhatian. \(Q\) yang lebih besar biasanya meningkatkan gain dan menjadikan anggaran lebih responsif. Ia boleh mengikuti perubahan hubungan sebenar dengan lebih pantas, tetapi juga boleh mengejar hingar sementara dan mengubah wajaran lindung nilai dengan cepat. \(Q\) yang terlalu kecil menghasilkan anggaran lebih lancar yang mungkin lambat menangkap perubahan struktur sebenar.

Varians hingar pemerhatian \(R\) menerangkan variasi \(y_t\) yang tidak dijelaskan oleh hubungan itu. Jika kuantiti lain dikekalkan, \(R\) yang lebih besar membuatkan penapis kurang mempercayai setiap pemerhatian baharu. \(Q\) dan \(R\) bukan pemalar penalaan sejagat. Skalanya bergantung pada sama ada model menggunakan harga, harga log atau siri ternormal, serta selang pensampelan yang dipilih.

Penganalisis boleh menganggar parameter hingar melalui kebolehjadian atau menetapkannya terlebih dahulu daripada tetingkap latihan, tetapi penalaan berdasarkan tempoh dagangan akhir membocorkan maklumat hasil. Keadaan permulaan \(\hat\theta_{0|0}\) dan kovariansnya \(P_{0|0}\) juga penting: ketidakpastian awal yang besar boleh menghasilkan pelarasan pantas pada permulaan. Laporkan penginisialisasian, sampel anggaran parameter dan kepekaan terhadap pilihan munasabah yang lain.

Anggaran tertapis \(\hat\theta_{t|t}\) menggunakan pemerhatian sehingga masa \(t\). Anggaran terlicin pada masa \(t\) boleh menggunakan pemerhatian yang tiba selepas masa itu. Pemulusan berguna untuk menghuraikan keadaan pendam sejarah, tetapi maklumat masa depan tersebut tidak tersedia kepada pedagang pada waktu keputusan sejarah dibuat.

Isu masa yang sama terpakai untuk anggaran \(Q\), \(R\), pemilihan pasangan dan ambang isyarat. Jika parameter dipadankan sekali menggunakan seluruh sampel, anggaran lebih awal mendapat manfaat daripada pemerhatian kemudian walaupun rekursi pekali itu sendiri hanya bergerak ke hadapan. Dalam simulasi masa nyata, anggarkan hiperparameter hanya dengan tempoh pembentukan, kemudian bekukan atau kemas kini mengikut jadual walk-forward yang dinyatakan. Setiap keputusan posisi mesti menggunakan maklumat yang tersedia sebelum pelaksanaan.

Masa pemerhatian bukan masa pengisian pesanan. Jika harga penutup pada \(t\) diperlukan untuk mengira \(v_t\), ujian balik tidak boleh mengandaikan pengisian pada harga penutup yang sama melainkan proses pelaksanaan memang membolehkannya. Gunakan sebut harga boleh laksana yang seterusnya atau model pelaksanaan yang munasabah, serta masukkan spread, kesan pasaran, fi, pinjaman sekuriti dan kos pembiayaan.

Dalam kajian pasangan, inovasi \(v_t\) sebelum kemas kini ialah kejutan berbanding hubungan terpadan terdahulu. Membahagikannya dengan \(\sqrt{S_t}\) menghasilkan inovasi ternormal di bawah model. Ini membantu membandingkan kejutan antara tempoh dengan ketidakpastian anggaran yang berbeza, tetapi tidak menyatakan berapa banyak setiap aset perlu dibeli atau dijual, ataupun sama ada penyimpangan besar akan berbalik.

Residual selepas kemas kini \(y_t-H_t\hat\theta_{t|t}\) ialah kuantiti lain kerana ia menggunakan pemerhatian semasa untuk menyemak pekali. Mencampur residual ini dengan ambang sebelum kemas kini mengubah maksud isyarat. Takrifkan spread, masa dan ambang dengan jelas, serta nyatakan sama ada pekali itu anggaran terdahulu, tertapis atau terlicin.

Walaupun \(\beta_t\) dianggar daripada harga log, penukaran kepada pesanan memerlukan peraturan posisi yang berasingan. Wajaran harga log tidak menentukan bilangan saham atau kontrak secara langsung. Harga, pengganda kontrak, mata wang dan kekangan akaun menentukan pendedahan dolar; pintasan bukan aset dagangan. Kos pengimbangan semula dan hanyutan pendedahan antara kemas kini pekali juga penting.

Pekali yang hanyut perlahan boleh mewakili perubahan beransur-ansur, tetapi juga boleh menyerap hubungan yang telah rosak. Model dengan keadaan fleksibel mungkin menghasilkan residual terpadan yang kelihatan kecil walaupun tiada keseimbangan jangka panjang yang stabil. Penapis tidak menguji kointegrasi dan tidak menjamin residualnya pegun.

Pemilihan pasangan juga penting. Menapis banyak aset dan mengekalkan pasangan dengan residual sampel-dalam paling lancar bermakna memilih pasangan menggunakan data yang sama untuk mendakwa kestabilan. Tindakan korporat, harga lapuk, penutupan tidak serentak, sekatan jualan singkat, perubahan kecairan dan peralihan rejim boleh mengubah keadaan anggaran atau menyukarkan pelaksanaan lindung nilai di atas kertas.

Periksa tingkah laku residual, ketidakpastian keadaan, kadar pusing ganti dan laluan pekali selain garis padanan. Gunakan tempoh pegangan yang mengikut kronologi dan bandingkan dengan penanda aras nisbah tetap. Anggaran yang lebih adaptif perlu mengimbangi pusing ganti tambahan dan risiko anggaran selepas kos realistik; rupa yang lancar sahaja bukan bukti prestasi.

Nyatakan siri harga atau pulangan yang dimodelkan, transformasinya, kekerapan pemerhatian, tarikh sampel dan aset pada setiap sisi regresi. Berikan persamaan pemerhatian dan keadaan, matriks peralihan, \(Q\), \(R\), penginisialisasian, kaedah anggaran, serta sama ada keadaan yang dilaporkan tertapis atau terlicin.

Bagi hasil dagangan, takrifkan inovasi atau spread yang digunakan untuk isyarat, normalisasinya, cap masa keputusan, kelewatan pesanan, saiz posisi, peraturan pengimbangan semula dan semua kos pelaksanaan. Huraikan penapisan pasangan, tetingkap latihan dan ujian, cara parameter hingar ditala semula, serta tingkah laku strategi selepas perubahan struktur atau pemerhatian yang hilang. Bandingkan pekali tetap dan dinamik pada pecahan kronologi yang sama.

Makalah penapisan linear Kalman membangunkan rangka kerja rekursif. Hatanaka mengkaji regresi dengan sesetengah pekali yang berubah mengikut masa. Elliott, van der Hoek dan Malcolm memperkenalkan model stokastik bagi dagangan pasangan. Untuk topik berkaitan, lihat panduan tentang ramalan dan kemas kini penapis Kalman, kointegrasi berbanding korelasi dalam dagangan pasangan, ujian rank Johansen dan ujian nisbah varians.