米国株式ファクターリターンの再現性の検証(2)
ARIMAモデルで生成した予測情報係数によるトレード戦略スイッチングモデルを実験した。
なぜ
前回の実験において、ファクターリターンの再現性について検証しましたが、実際にどの程度改善されるのかを明記していませんでした。今回は前回の手法で得られるARIMAモデルによる予測情報係数(=IC)とベースラインとの比較を実際にポートフォリオに落とし込んでみて、どの程度の影響があるのかを可視化してみたいと思います。
調査方法
今回は日次の情報係数の移動平均
、前回の実験で検証したARIMAモデルによる日次ウォークフォワード予測情報係数の移動平均
の2つのパターンで2つのトレード戦略のスイッチングモデルを構築します。この2つのスイッチングモデルのリターン及びシャープレシオを確認することで、実際にどれくらいの効果があるのかを検証してみます。利用するトレード戦略は(1)SPY buy-and-holdと(2)上記情報係数のもととなったファクターのマーケットニュートラル戦略です。
前回は月次情報係数を利用していましたが今回はより詳細な分布を見たかったので日次にて。また、単純化のためにこのモデルにおいては取引コストは考慮しないこととします。
結果
日次の情報係数の移動平均
とARIMAモデルによるウォークフォワード予測情報係数の移動平均
自体を見てみます。MAEベースで単純なMAと比較して6.5%程度の改善。(青いラインの方がARIMA MAモデル)
続いて上記の2つのパターンにおけるスイッチングモデルのPLを見ます。単純な情報係数移動平均を用いたモデルも良いパフォーマンスを発揮していますが、予測情報係数を利用したスイッチングモデルは圧倒していますね。
考察
- MAE,ポートフォリオパフォーマンスともに予測情報係数をもとにしたスイッチングモデルがアウトパフォームした。
- 意図したとおりスイッチングモデルがアウトパフォームしてほっと一息
- 取引コスト、スイッチングコストを考慮するとどうなるか
- 今回はいくつかのファクターでテストしてみたが、その他のファクターでも同様の傾向がみられるのか。
- 移動平均ウィンドウ、予測情報係数の閾値の2つのハイパーパラメータをどう扱うべきか悩ましい。
- そろそろ複数ファクターポートフォリオ間でのスイッチング/リバランスモデルを試したい。
以上。