Последние научные исследования 7 - PEG, банкротства и ChatGPT, LLM, новости и влияние праздников. Alpha in Academia.
Перевод статьи из блога Alpha in Academia.
Стоимостное инвестирование
Коэффициенты PEG и доходность акций
Название статьи: Коэффициент PEG и ожидаемая доходность: Различается ли взаимосвязь между компаниями роста и стоимости?
В статье рассматривается взаимосвязь между коэффициентами PEG и будущей доходностью акций с особым акцентом на различия между компаниями роста и стоимости. В исследовании используются ежемесячные данные компаний из списка S&P 500, исключая финансовые и коммунальные компании, за период с января 2000 года по август 2021 года.
Ключевым результатом исследования является обратная зависимость между коэффициентами PEG и прогнозируемой доходностью акций, указывающая на то, что компании с более низкими коэффициентами PEG имеют тенденцию генерировать более высокую доходность акций. Эта связь особенно сильна для быстрорастущих компаний. Авторы делают вывод, что инвесторы могут потенциально достичь более высокой доходности, сосредоточившись на фирмах с низким коэффициентом PEG и высокими темпами роста.
Для тех, кто не очень хорошо разбирается в оценочных показателях, коэффициент PEG (цена/прибыль/рост (price/earnings-to-growth)) представляет собой деление отношения цены компании к ее прибыли (P/E) на темпы роста ее прибыли за определенный период. Что выделяется в этой работе, так это надежная статистическая база: проанализировано более 20 лет данных, результаты значимы на 95-процентном доверительном уровне.
Выводы относительно просты, что делает их применимыми даже для розничных инвесторов. В отличие от исследований, основанных на сложных моделях (таких как «черные ящики» машинного обучения), данное исследование предлагает четкий вывод: ориентация на быстрорастущие компании с низким уровнем PEG может быть выигрышной стратегией.
Проблемное инвестирование
ChatGPT предсказывает банкротство фирмы
Название работы:Могут ли новости предсказать банкротство фирмы?
В статье исследуется, может ли анализ деловых новостей с помощью больших языковых моделей (LLM), таких как ChatGPT, эффективно предсказать банкротство фирмы. В исследовании используются данные об американских компаниях и новости из базы данных Dow Jones Newswire (например, Wall Street Journal) за период с 1998 по 2023 год.
Исследователи обнаружили, что переменные, генерируемые ChatGPT, в частности оценки настроения, превосходят показатели FinBERT и моделей на основе словарей в прогнозировании банкротства. Показатели настроения, полученные из полного текста новостных статей, продемонстрировали более высокую предсказательную силу, чем показатели, полученные только из заголовков, что подчеркивает ценность включения подробной информации.
Новостные данные обеспечивали дополнительную предсказательную ценность даже после контроля над традиционными финансовыми предикторами. Исследование также показало, что ChatGPT эффективно учитывает волатильность рынка при прогнозировании общего уровня банкротства. Эти результаты показывают, что бизнес-новости в режиме реального времени, проанализированные с помощью LLM, таких как ChatGPT, могут значительно улучшить прогноз банкротства.
Большинство инвесторов обычно стараются избегать компаний, находящихся в стадии банкротства, если только вы не являетесь инвестором в проблемные долговые обязательства, стремящимся извлечь выгоду из риска. В этой статье представлен практический инструмент для оценки риска банкротства, показывающий, что анализ настроений ChatGPT превосходит традиционные модели.
Полученные результаты полезны не только для того, чтобы избежать неудачных инвестиций, но и могут помочь выявить возможности для шортинга акций или использования кредитно-дефолтных свопов. Это интересный пример того, как LLM может быть применен непосредственно к рыночной стратегии.
Прогнозирование временных рядов
Стратегия с высоким коэффициентом Шарпа с помощью LLM
Название работы: LLM для временных рядов: применение для отдельных акций и статистического арбитража
В статье исследуется, могут ли большие языковые модели (LLM) предсказывать доходность акций и выявлять выгодные торговые возможности, даже не будучи специально обученными на финансовых данных. Исследователи использовали модель Chronos, LLM архитектуры T5, предварительно обученную на различных данных временных рядов, но не на финансовых данных, и оценили ее производительность, используя данные о ежедневной доходности крупных американских акций с 1978 по 2016 год.
Они обнаружили, что, несмотря на отсутствие предварительного обучения на финансовых данных, Chronos может выявлять неэффективность рынка, когда ему в качестве контекста предоставляются 100 дней исторических данных по акциям, достигая общего коэффициента Шарпа, превышающего 3.
Производительность Chronos была тесно связана со стратегией Short-Term Reversal (STR), что говорит о том, что модель в первую очередь улавливает простые модели среднего возврата. Авторы считают, что LLM обладают потенциалом для выявления более сложных рыночных возможностей и могут дополнить специализированные торговые модели.
В прошлом выпуске я рассказывал о работе, в которой LLM использовались для прогнозирования будущих доходностей (даже более точно, чем другие модели временных рядов). Эти авторы пошли еще дальше и фактически создали торговую стратегию на основе успешного прогнозирования Chronos, которая достигла общего коэффициента Шарпа выше 3.
Хотя получить именно такую LLM и использовать ее в своих интересах может быть непросто, более широкая идея адаптации LLM для торговли выглядит убедительно. Аналогичный потенциал может быть раскрыт при настройке существующих инструментов, таких как ChatGPT или Claude, для решения финансовых задач. Подача исторических данных в эти модели для экспериментов с прогнозами и стратегиями может стать интересным направлением для изучения.
Торговля настроениями
Влияние новостей на фондовые сектора
Название работы: Анализ высокочастотных реакций фондового рынка на крупные макроэкономические объявления: Данные по банковскому сектору, сектору информационных технологий и нефтегазовому сектору
В работе рассматривается реакция цен на акции банковского, ИТ- и нефтегазового секторов на 14 основных экономических новостей Индии с февраля 2015 года по ноябрь 2024 года. Исследование обнаруживает значительные и часто контринтуитивные краткосрочные движения цен в этих секторах, связанные как с систематическими макроэкономическими новостями (например, изменениями в резервах валют), так и с несистематическими (например, демонетизацией 2016 года).
Акции банковских компаний позитивно отреагировали на снижение корпоративного налога в 2019 году и демонетизацию, но негативно — на изменение ставки репо и отчет о финансовой стабильности. Акции ИТ-компаний, напротив, показали отрицательную доходность в ответ на снижение корпоративного налога, что указывает на ограниченные преимущества для сектора, и без того находящегося в благоприятном налоговом положении. Нефтегазовый сектор продемонстрировал сильную положительную реакцию на демонетизацию, возможно, рассматривая ее как фактор снижения транспортных расходов или как безопасное убежище в период экономической неопределенности.
В целом, статья демонстрирует, что конкретные сектора предсказуемо реагируют на различные типы экономических новостей, что открывает возможности для трейдеров, использующих высокочастотные стратегии для захвата краткосрочных ценовых движений.
Эта статья очень плотная, в ней много взаимосвязей, которые нужно распаковать — слишком много, чтобы уместить в этом письме. Однако его уникальность делает его достойным того, чтобы им поделиться.
Мы все знаем, что новости и информация являются основными факторами, определяющими доходность, но эта статья идет дальше, определяя, какие типы новостей влияют на различные сектора, и количественно оценивая эти эффекты. Авторы даже предлагают практические стратегии, такие как торговля импульсами в тот же день после объявления новостей, которые могут быть полезны для трейдеров, желающих извлечь выгоду из краткосрочных движений.
Сырьевые товары
Праздничная аномалия в нефтегазовой отрасли
Название работы: Предпраздничный эффект в сырьевых товарах
В статье исследуется потенциальный предпраздничный эффект, когда цены на сырьевые товары (в частности, сырую нефть и бензин) растут за несколько дней до крупных американских праздников. Авторы полагают, что этот эффект обусловлен повышенным спросом на путешествия и топливо в эти периоды. Они проанализировали исторические данные по ценам двух ETF (USO и UGA) и обнаружили статистически значимый предпраздничный рост цен, особенно на бензин.
Исследование показывает, что наиболее прибыльной торговой стратегией является покупка сырой нефти или бензина за четыре дня до праздника и продажа в последний торговый день перед праздником. Это исследование говорит о том, что трейдеры могут извлечь выгоду из предсказуемых ценовых моделей, связанных с праздниками на товарных рынках.
Это более короткая статья, но выводы слишком хороши, чтобы не включить их в статью (особенно учитывая все праздники в это время года). Хотя коэффициент Шарпа этой стратегии не поражает воображение (0,9), он все же превосходит долгосрочный коэффициент Шарпа стратегии S&P 500 (около 0,68 за последние 30 лет).
Что делает эту стратегию особенно интересной, так это ее простота: покупайте ETF на сырую нефть или бензин за четыре дня до праздника и продавайте в последний торговый день перед праздником. Такие простые стратегии сегодня встречаются редко, что, естественно, вызывает вопросы об их надежности, но авторы доказывают, что результаты статистически значимы. Возможно, стоит протестировать эту стратегию в преддверии Рождества — купить USO 19-го числа и продать 24-го? Разумеется, это не инвестиционный совет — я не хочу, чтобы на меня подали в суд (спасибо).
Больше переводов в телеграмм-канале: https://t.me/holyfinance
