Коэффициент хеджирования по фильтру Калмана: динамическая регрессия для парного трейдинга

При фиксированном коэффициенте хеджирования один коэффициент оценивают на обучающем интервале и затем не меняют. Динамическая модель рассматривает свободный член и наклон как скрытые величины, способные меняться со временем. Фильтр Калмана оценивает их рекурсивно, объединяя предыдущую оценку с информацией нового наблюдения.

Для двух потенциальных активов обозначим через \(y_t\) логарифм цены одного, а через \(x_t\) логарифм цены другого. Меняющуюся долгосрочную регрессию можно записать как \(y_t=\alpha_t+\beta_t x_t+\epsilon_t\). Коэффициент \(\beta_t\) описывает подогнанную связь в момент \(t\); он автоматически не превращается в число акций, долларово-нейтральную позицию или устойчивый экономический закон.

В этом применении используется общий рекурсивный цикл прогнозирования и обновления линейной модели в пространстве состояний. Калман предложил рекурсивную фильтрацию, а последующие эконометрические работы применили ее для оценки меняющихся во времени коэффициентов регрессии. Парный трейдинг со стохастическим спредом — один из вариантов применения, но его торговые предпосылки следует оценивать отдельно от алгоритма фильтрации.

Определим вектор состояния и строку наблюдения:

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

Уравнение наблюдения имеет вид \(y_t=H_t\theta_t+\epsilon_t\). Оно связывает наблюдаемый логарифм цены со скрытыми свободным членом и коэффициентом хеджирования, а также с шумом наблюдения. В качестве распространенного исходного предположения оба коэффициента описывают случайными блужданиями:

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

\(Q\) — ковариационная матрица изменений коэффициентов, а \(R\) — дисперсия шума наблюдения. При \(Q=0\) коэффициенты в этой модели фиксированы; положительное \(Q\) допускает их дрейф. Возможны и другие переходы состояния, но каждый из них задает отдельное предположение о динамике связи.

Диагональная \(Q\) добавляет предположение о некоррелированности шоков изменений свободного члена и наклона. Внедиагональные элементы допускают их совместное движение, однако выборка должна содержать достаточно информации для оценки этой ковариации. Корректная ковариационная матрица должна быть симметричной и положительно полуопределенной.

Эта упрощенная спецификация предполагает, что возмущения процесса и наблюдений имеют нулевые средние, не коррелируют во времени и независимы друг от друга. Это предположения модели, а не свойства, автоматически выполняющиеся для ценовых данных.

К концу \(t-1\) фильтр имеет оценку \(\hat\theta_{t-1|t-1}\) и ковариационную матрицу \(P_{t-1|t-1}\). Уравнение состояния со случайным блужданием дает прогноз:

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

Оценка переносится вперед, а неопределенность увеличивается на допустимую ковариацию изменений коэффициентов. \(P\) описывает неопределенность скрытого состояния регрессии в рамках заданной модели. Это не прогноз торгового убытка по паре и не полная мера портфельного риска.

Одношаговый прогноз наблюдения равен \(H_t\hat\theta_{t|t-1}\). Важно использовать априорное состояние, поскольку оно рассчитано без нового \(y_t\). Если вычислить остаток после обновления коэффициентов тем же наблюдением, обновление уже сдвинуло остаток к нулю.

Поскольку \(H_t\) содержит \(x_t\), текущая цена объясняющей переменной влияет на \(S_t\) и коэффициент усиления. Если неопределенность наклона существенна, наблюдения при разных значениях \(x_t\) могут по-разному информировать об \(\beta_t\); ковариация между свободным членом и наклоном тоже имеет значение. Центрирование или масштабирование \(x_t\) меняет смысл свободного члена и единицы коэффициента, поэтому соответствующие элементы \(Q\) и начальную \(P\) нужно преобразовать или оценить заново, а не копировать без изменений.

Когда приходит новое наблюдение, ошибка одношагового прогноза, или инновация, равна:

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

Дисперсия инновации \(S_t\) объединяет прогнозируемую неопределенность состояния и шум наблюдения. Коэффициент усиления Калмана и обновление состояния записываются так:

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

Коэффициент усиления распределяет новое отклонение между изменением оцененной связи и отнесением наблюдения к шуму. Чем он больше, тем сильнее фильтр корректирует оценку по этому наблюдению; это не означает, что связь стала надежнее.

Пусть гипотетический фильтр прогнозирует \(\hat\alpha=2.0\) и \(\hat\beta=1.20\) при \(x_t=50\), откуда \(\hat y=62.0\). Если наблюдаемое \(y_t=62.8\), инновация равна \(0.8\). При коэффициенте усиления модели \([0.08,0.006]^{\mathsf T}\) обновленный свободный член равен \(2.064\), а наклон — \(1.2048\). Эти числа вымышлены и лишь иллюстрируют арифметику; это не эмпирический коэффициент хеджирования и не свидетельство будущего разворота отклонения.

Матрица шума процесса \(Q\) определяет, насколько коэффициенты регрессии могут меняться между наблюдениями. Более высокое \(Q\) обычно увеличивает коэффициент усиления и ускоряет реакцию оценки. Она может быстрее отследить реальное изменение, но также заставляет оценку подстраиваться под временный шум и быстро менять веса хеджирования. Слишком малое \(Q\) дает более плавную оценку, которая может запаздывать при настоящем структурном сдвиге.

Дисперсия шума наблюдения \(R\) описывает изменения \(y_t\), которые не объясняются связью. При прочих равных большее \(R\) заставляет фильтр меньше доверять каждому новому наблюдению. Ни \(Q\), ни \(R\) не являются универсальными параметрами настройки. Их масштаб зависит от того, использует ли модель цены, логарифмы цен, нормированные ряды и какой выбран интервал наблюдений.

Параметры шума можно оценить методом максимального правдоподобия или заранее задать по обучающему окну, но настройка по итогам конечного торгового периода раскрывает модели информацию о результате. Важны также начальное состояние \(\hat\theta_{0|0}\) и его ковариация \(P_{0|0}\): неопределенная инициализация может вызвать период быстрых начальных корректировок. Укажите инициализацию, выборку для оценки параметров и чувствительность к разумным альтернативам.

Отфильтрованная оценка \(\hat\theta_{t|t}\) использует наблюдения до времени \(t\). Сглаженная оценка в момент \(t\) может использовать данные, поступившие позже. Сглаживание помогает описывать скрытое состояние задним числом, но не было доступно трейдеру в исторический момент принятия решения.

Та же проблема времени касается оценки \(Q\), \(R\), выбора пары и порогов сигнала. Если один раз подогнать их на всей выборке, ранние оценки будут опираться на поздние наблюдения, даже если рекурсия коэффициентов направлена только вперед. Для имитации работы в реальном времени оцените гиперпараметры только на периоде формирования, зафиксируйте их или обновляйте по заранее объявленному графику walk-forward и принимайте каждое решение о позиции на основе информации, доступной до исполнения.

Время наблюдения не совпадает со временем исполнения. Если для расчета \(v_t\) требуется цена закрытия на \(t\), бэктест не может предполагать исполнение по тому же закрытию, если торговый процесс это не обеспечивает. Используйте следующую исполнимую котировку или обоснованную модель исполнения и учитывайте спред, рыночное воздействие, комиссии, заем и финансирование.

В исследовании пары инновация \(v_t\) до обновления — это отклонение от ранее оцененной связи. Деление на \(\sqrt{S_t}\) дает стандартизованную инновацию в рамках модели. Это позволяет сравнивать отклонения в периоды с разной оцененной неопределенностью, но не определяет объем покупки или продажи каждого актива и не говорит, развернется ли большое отклонение.

Остаток после обновления \(y_t-H_t\hat\theta_{t|t}\) — другая величина, поскольку в нем текущее наблюдение уже использовано для корректировки коэффициентов. Если подставить такой остаток в порог, заданный до обновления, смысл сигнала изменится. Явно определите спред, момент расчета и порог, а также укажите, используется априорный, отфильтрованный или сглаженный коэффициент.

Даже если \(\beta_t\) оценена по логарифмам цен, для преобразования ее в заявки требуется отдельное правило позиционирования. Веса при логарифмах цен напрямую не задают число акций или контрактов. Цены, мультипликаторы контрактов, валюты и ограничения счета определяют долларовую экспозицию; свободный член не является торгуемым активом. Важны также затраты на ребалансировку и изменение экспозиции между обновлениями коэффициентов.

Медленно дрейфующий коэффициент может быть полезным описанием постепенного изменения, но он может и поглощать связь, которая распалась. Модель с гибкими состояниями способна поддерживать визуально малые остатки даже при отсутствии устойчивого долгосрочного равновесия. Фильтр не проверяет коинтеграцию и не гарантирует стационарность остатка.

Важен и выбор пары. Если просмотреть много активов и оставить пару с самым плавным внутривыборочным остатком, для отбора используется та же информация, на которой основан вывод об устойчивости. Корпоративные действия, устаревшие цены, несинхронные закрытия, ограничения коротких продаж, изменение ликвидности и смена режимов могут менять оценки состояний или затруднять реальное исполнение теоретического хеджа.

Помимо подогнанной линии проверяйте поведение остатков, неопределенность состояния, оборот позиций и траектории коэффициентов. Используйте хронологические периоды вне выборки и сравнивайте результат с фиксированным коэффициентом. Более адаптивная оценка должна оправдывать дополнительный оборот и риск оценивания после реалистичных затрат; визуально плавная линия сама по себе не является результатом торговли.

Сообщите, какие цены или доходности моделируются, как они преобразованы, частоту наблюдений, даты выборки и какой актив стоит слева в регрессии. Приведите уравнения наблюдения и состояния, матрицу перехода, \(Q\), \(R\), способ инициализации и оценивания, а также укажите, являются ли представленные состояния отфильтрованными или сглаженными.

Для торгового результата определите инновацию или спред, используемые как сигнал, их нормировку, время решения, задержку заявки, размер позиции, правило ребалансировки и все издержки исполнения. Опишите отбор пар, обучающие и тестовые окна, перенастройку параметров шума и поведение стратегии после сдвига или пропущенного наблюдения. Сравнивайте фиксированные и динамические коэффициенты на одинаковых хронологических разбиениях.

В статье Калмана о линейной фильтрации разработана рекурсивная схема. Хатанак изучает регрессии с некоторыми меняющимися во времени коэффициентами. Эллиотт, ван дер Хук и Малкольм предлагают стохастическую модель парного трейдинга. См. также руководства о прогнозировании и обновлении Калмана, коинтеграции и корреляции в парном трейдинге, тесте ранга Йохансена и тесте отношения дисперсий.