Pairs trading : an application of pairs selection and outranking in Norwegian stock market
Virtanen, Anssi (2020)
Pro gradu -tutkielma
Virtanen, Anssi
2020
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2020100277829
https://urn.fi/URN:NBN:fi-fe2020100277829
Tiivistelmä
Statistical arbitrage is a known research topic with a wide body of research with various methodologies to apply. Pairs trading is a part of statistical arbitrage research, where the purpose is to identify co-moving assets of which prices have spread and are expected to co-move back to their equilibrium state with statistical models. In Pairs trading the co-moving assets are bought according to the expected co-movement of the assets back to the equilibrium state so that the one expected to decrease in price is shorted and the one expected to increase is bought or longed, and these positions closed after the co-movement to equilibrium.
In this thesis we apply a combined forecasts approach to pairs trading, where we first forecast spreads with (77*76)/2=2926 possible stock pairs of the market with Elman Neural Networks. We continue to employ a TOPSIS ranking to rank the stocks according to the spread forecasts for each possible pair, and trade every day according to the rankings with portfolio sizes ranging from one pair to the maximum amount of individual pairs possible with the amount of stocks. The results of this method are promising, but solutions should be developed for the opening and closing signals of the trade so that the performance of the portfolios would rely on trades that could have actually been done, instead of over-optimistic assumptions such as being able to trade on daily data using the last days price for both forecasting and opening the position, instead of using data for a signal first and trading after the signal. Tilastollinen arbitraasi on tunnettu tutkimusaihe, josta löytyy laajasti kirjallisuutta ja sovellettavia metodologioita. Pareittain kaupankäynti (Pairs Trading) on osa tilastollisen arbitraasin tutkimusta, jossa tarkoitus on tunnistaa yhteisliikkuvia varallisuuskohteita, joiden arvostukset hajaantuvat tasapainotilasta ja joiden odotetaan yhteisliikkuvan takaisin tasapainotilaan tilastollisten mallien perusteella. Arvopaperi, jonka hinnan odotetaan nousevan ostetaan ja arvopaperi, jonka hinnan odotetaan laskevan lyhyeksimyydään. Positiot suljetaan, kun arvopaperiparin hintojen ajatellaan palautuneen tasapainotilaan.
Tässä pro gradussa sovellamme yhdisteltyjen ennusteiden menetelmää pareittain kaupankäymiseen siten, että ensin ennustamme tuottohajontoja kaikille (77*76)/2=2926 mahdolliselle osakepareille markkinalla Elman neuroverkoilla. Yhdistämme pariennusteet TOPSIS-menetelmällä yhdeksi sijoittelujärjestykseksi kunkin osakkeen odotettujen parihajontojen mukaan suurimmista positiivisista suurimpiin negatiivisiin hajontoihin. Portfolioita mudostetaan yhdestä parista (ääripäät) niin moneen pariin kuin arvopapereita on siten, että kaupat tapahtuvat päivittäin kullekin portfoliolle sijoitusjärjestyksen mukaisesti. Tulokset ovat lupaavia, mutta menetelmää pitäisi kehittää siten, että se käyttäisi signaaleja joiden mukaan kaupat tehtäisiin. Tällaisenaan menetelmä sisältää ylioptimistisia odotuksia kaupankäyntien toteutushinnoista, erityisesti että edellisen päivän hintoja voisi käyttää samanaikaisesti seuraavan päivän hintojen ennustamiseen ja positioiden avaamiseen.
In this thesis we apply a combined forecasts approach to pairs trading, where we first forecast spreads with (77*76)/2=2926 possible stock pairs of the market with Elman Neural Networks. We continue to employ a TOPSIS ranking to rank the stocks according to the spread forecasts for each possible pair, and trade every day according to the rankings with portfolio sizes ranging from one pair to the maximum amount of individual pairs possible with the amount of stocks. The results of this method are promising, but solutions should be developed for the opening and closing signals of the trade so that the performance of the portfolios would rely on trades that could have actually been done, instead of over-optimistic assumptions such as being able to trade on daily data using the last days price for both forecasting and opening the position, instead of using data for a signal first and trading after the signal.
Tässä pro gradussa sovellamme yhdisteltyjen ennusteiden menetelmää pareittain kaupankäymiseen siten, että ensin ennustamme tuottohajontoja kaikille (77*76)/2=2926 mahdolliselle osakepareille markkinalla Elman neuroverkoilla. Yhdistämme pariennusteet TOPSIS-menetelmällä yhdeksi sijoittelujärjestykseksi kunkin osakkeen odotettujen parihajontojen mukaan suurimmista positiivisista suurimpiin negatiivisiin hajontoihin. Portfolioita mudostetaan yhdestä parista (ääripäät) niin moneen pariin kuin arvopapereita on siten, että kaupat tapahtuvat päivittäin kullekin portfoliolle sijoitusjärjestyksen mukaisesti. Tulokset ovat lupaavia, mutta menetelmää pitäisi kehittää siten, että se käyttäisi signaaleja joiden mukaan kaupat tehtäisiin. Tällaisenaan menetelmä sisältää ylioptimistisia odotuksia kaupankäyntien toteutushinnoista, erityisesti että edellisen päivän hintoja voisi käyttää samanaikaisesti seuraavan päivän hintojen ennustamiseen ja positioiden avaamiseen.