Hvordan statistisk voldgift kan føre til store overskudd

Den effektive markedshypotesen sier at finansmarkedene er "informasjonseffektive" ved at prisene på de omsatte eiendelene gjenspeiler all kjent informasjon til enhver tid. Men hvis dette er sant, hvorfor varierer prisene fra dag til dag til tross for ingen ny grunnleggende informasjon? Svaret involverer ett aspekt som ofte glemmes blant enkeltstående handelsmenn: likviditet.

Mange store institusjonelle handler gjennom dagen har ingenting å gjøre med informasjon og alt å gjøre med likviditet. Investorer som føler seg overeksponert, vil aggressivt sikre eller avvikle posisjoner, noe som vil ende opp med å påvirke prisen. Disse likviditetsforlangerne er ofte villige til å betale en pris for å gå ut av sine stillinger, noe som kan resultere i et overskudd for likviditetsleverandører. Denne muligheten til å tjene penger på informasjon ser ut til å motsi den effektive markedshypotesen, men danner grunnlaget for statistisk arbitrage.

Statistisk arbitrage tar sikte på å utnytte forholdet mellom pris og likviditet ved å tjene på statistisk feilprising av en eller flere eiendeler basert på den forventede verdien av eiendelene generert fra en statistisk modell.

Hva er statistisk voldgift?

Statistisk arbitrage oppstod på 1980-tallet fra sikringsetterspørselen opprettet av Morgan Stanleys aksjeblokk trading desk-virksomhet. Morgan Stanley var i stand til å unngå prisstraff knyttet til store blokkjøp ved å kjøpe aksjer i nært korrelerte aksjer som en sikring mot sin posisjon. Hvis firmaet for eksempel kjøpte en stor aksjeblokk, ville det kortslutte en nært korrelert aksje for å sikre seg mot store nedgangstider i markedet. Dette eliminerte effektivt markedsrisikoen mens selskapet søkte å plassere aksjen det hadde kjøpt i en blokkeringstransaksjon.

Næringsdrivende begynte snart å tenke på disse parene ikke som en blokk for å bli henrettet og dens sikring, men snarere som to sider av en handelsstrategi rettet mot fortjeneste fremfor bare sikring. Disse parfagene utviklet seg etter hvert til forskjellige andre strategier som tok sikte på å dra nytte av statistiske forskjeller i sikkerhetspriser på grunn av likviditet, volatilitet, risiko eller andre faktorer. Vi klassifiserer nå disse strategiene som statistisk arbitrage.

Typer statistisk arbitrage

Det er mange typer statistisk arbitrage som er laget for å dra nytte av flere forskjellige typer muligheter. Mens noen typer har blitt faset ut av en mer effektiv markedsplass, er det flere andre muligheter som har oppstått for å ta sin plass.

Risikobarrage

Risiko arbitrage er en form for statistisk arbitrage som søker å tjene på fusjonssituasjoner. Investorer kjøper aksjer i målet, og (hvis det er en aksjetransaksjon), forkorter samtidig aksjen til erververen. Resultatet er et overskudd realisert fra forskjellen mellom utkjøpsprisen og markedsprisen.

I motsetning til tradisjonell statistisk arbitrage, innebærer risiko arbitrage å ta på seg noen risikoer. Den største risikoen er at sammenslåingen vil falle gjennom og målets aksje vil falle til nivået før fusjonen. En annen risiko omhandler tidsverdien av pengene som er investert. Fusjoner som tar lang tid å gå gjennom, kan spise inn investorenes årlige avkastning.

Nøkkelen til suksess i risikobarbitrage er å bestemme sannsynligheten og aktualiteten til fusjonen og sammenligne det med forskjellen i pris mellom målaksjen og utkjøpstilbudet. Enkelte risikovoldmenn har også begynt å spekulere i overtakelsesmål, noe som kan føre til vesentlig større fortjeneste med like større risiko.

Volatilitet arbitrage

Volatilitet arbitrage er en populær type statistisk arbitrage som fokuserer på å dra nytte av forskjellene mellom den underforståtte volatiliteten til en opsjon og en prognose for den fremtidige realiserte volatiliteten i en delta-nøytral portefølje. I hovedsak spekulerer volatilitetsarrangører om volatiliteten til den underliggende sikkerheten snarere enn å gjøre en retningsvis innsats på verdipapirens pris.

Nøkkelen til denne strategien er nøyaktig å forutsi fremtidig volatilitet, noe som kan avvike av mange forskjellige grunner, inkludert:

• Patentkonflikter
• Resultater av kliniske studier
• Usikker inntjening
• M & A-spekulasjoner

Når en volatilitets arbitrageur har estimert den fremtidige realiserte volatiliteten, kan han eller hun begynne å se etter alternativer der den underforståtte volatiliteten enten er betydelig lavere eller høyere enn den forventede realiserte volatiliteten for den underliggende sikkerheten. Hvis den underforståtte volatiliteten er lavere, kan den næringsdrivende kjøpe opsjonen og sikre seg med den underliggende sikkerheten for å lage en delta-nøytral portefølje. Tilsvarende, hvis den underforståtte volatiliteten er høyere, kan den næringsdrivende selge opsjonen og sikre seg med den underliggende sikkerheten for å lage en delta-nøytral portefølje.

Den næringsdrivende vil da realisere et overskudd på handelen når den underliggende verdipapirens realiserte volatilitet beveger seg nærmere hans eller hennes prognose enn det er markedets prognose (eller underforstått volatilitet). Overskuddet realiseres fra handelen gjennom kontinuerlig omskifting som kreves for å holde porteføljens delta nøytral.

Nevrale nettverk

Nevrale nettverk blir stadig mer populære på den statistiske arbitragearenaen på grunn av deres evne til å finne komplekse matematiske forhold som virker usynlige for det menneskelige øyet. Disse nettverkene er matematiske eller beregningsmodeller basert på biologiske nevrale nettverk. De består av en gruppe sammenkoblede kunstige nevroner som behandler informasjon ved hjelp av en forbindelseistisk tilnærming til beregning - dette betyr at de endrer strukturen sin basert på den eksterne eller interne informasjonen som strømmer gjennom nettverket i læringsfasen.

I hovedsak er nevrale nettverk ikke-lineære statistiske datamodeller som brukes til å modellere komplekse sammenhenger mellom innganger og utganger for å finne mønstre i data. Det er klart at ethvert mønster i kursutviklingen i verdipapirer kan utnyttes for fortjeneste.

Høyfrekvenshandel

HFT (HFF) er en ganske ny utvikling som tar sikte på å utnytte datamaskinens mulighet til å raskt utføre transaksjoner. Utgiftene i handelssektoren har vokst betydelig gjennom årene, og som et resultat er det mange programmer som kan utføre tusenvis av handler per sekund. Nå som de fleste statistiske arbitrage-muligheter er begrenset på grunn av konkurranse, er muligheten til raskt å utføre handler den eneste måten å skalere fortjeneste på. Stadig mer komplekse nevrale nettverk og statistiske modeller kombinert med datamaskiner som er i stand til å knuse antall og utføre handler raskere, er nøkkelen til fremtidig fortjeneste for arbitrageurs.

Hvordan statistisk voldgift påvirker markedene

Statistisk arbitrage spiller en viktig rolle i å gi mye av den daglige likviditeten i markedene. Det gjør det mulig for store blokkhandlere å plassere sine handler uten å påvirke markedsprisene vesentlig, samtidig som de reduserer volatiliteten i emisjoner som amerikanske innskuddskvitteringer (ADR) ved å korrelere dem nærmere med sine foreldreaksjer.

Statistisk arbitrage har imidlertid også skapt store problemer. Sammenbruddet av Long Term Capital Management (LTCM) tilbake i 1998 forlot nesten markedet i ruiner. For å tjene på slike små prisavvik er det nødvendig å ta på seg betydelig gearing. Fordi disse handlene er automatiserte, er det dessuten innebygde sikkerhetstiltak. I LTCMs tilfelle betydde dette at den ville likvidere ved en nedtur; problemet var at LTCMs avviklingsordrer bare utløste flere salgsordrer i en fryktelig sløyfe som til slutt ville bli avsluttet med statlig inngripen. Husk at de fleste krasjer på aksjemarkedet oppstår ved problemer med likviditet og gearing - selve arenaen hvor statistiske arbitrageere opererer.

Bunnlinjen

Statistisk arbitrage er en av de mest innflytelsesrike handelsstrategiene som noen gang er utviklet, til tross for at de har falt noe i popularitet siden 1990-tallet. I dag gjennomføres mest statistisk arbitrage gjennom høyfrekvent handel ved bruk av en kombinasjon av nevrale nettverk og statistiske modeller. Ikke bare driver disse strategiene likviditet, men de er også stort sett ansvarlige for de store krasjene vi har sett i firmaer som LTCM tidligere. Så lenge likviditets- og gearingsproblemer kombineres, vil dette sannsynligvis fortsette å gjøre strategien til en verdt å anerkjenne selv for den vanlige investoren.