Académique Documents
Professionnel Documents
Culture Documents
Tesis
Presenta:
El Quant
1
Índice
1. Introducción……………………………………………………………………………….. 4
2. El modelo…………………………………………………………………………………… 6
6
2.1. Introducción al modelo. ………………………………………………………………………
2.2. Un análisis cuantitativo de los factores de riesgo y neutralidad al mercado…… 7
3. La estrategia………………………………………………………………………………. 18
18
3.1. Reversión a la media pura. ………………………………………………………………
5. El portafolio. ………………………………………………………………………………. 23
7. Los resultados……………………………………………………………………………… 31
37
7.3. Los parámetros en el tiempo. …………………………………………………………………
39
8. Algunos comentarios sobre la implementación. ………………………………………………
9. Conclusiones. …………………………………………………………………………….. 40
Referencias. …………………………………………………………………………………… 53
2
1 Introducción.
La finalidad del arbitraje es aprovechar errores de los mercados para generar ganancias. En el
arbitraje puro no existe riesgo. Un ejemplo típico es si existieran dos bancos donde la tasa de
interés de préstamo de uno sea menor a la tasa de interés de rendimientos que da el otro.
Como uno podría aprovechar esto es pidiendo un préstamo en el primer banco y depositándolo
en el otro. Al final del periodo paga el préstamo y aún tendrá un excedente de dinero generado
por los intereses del otro banco. Es obvio que en la realidad este tipo de casos no suceden.
estadístico existe el riesgo ya que está basado en especulaciones. En este trabajo se explorará
una estrategia de arbitraje estadístico desarrollada por Avellaneda, M. y Lee, J-H. (2010), se
La aportación de este tipo de estrategias a los mercados es que por su naturaleza agilizan la
correcta valuación de las acciones, ya que aprovechan los errores de valuación, e incentivan a
que el mercado sea más completo (más acciones y más instrumentos) y más líquido.
muestra un resultado de cálculo estocástico que se usará en del desarrollo del modelo
Consta de dos partes, uno en el que considera una componente idiosincrática de cada
3
acción y otro en el que no.
El cuarto capítulo explica cómo se estiman los parámetros necesarios para aplicar el
modelo.
El quinto capítulo explica como se manejará el portafolio de inversión en el que se usa
primer eigenportafolio.
portafolio de inversión.
matemáticas para crear una estrategia de inversión en la BMV que dé rendimientos atractivos y
bajo riesgo. Los conceptos que se usan de estadística y matemáticas no son de fácil
comprensión y se requiere conocimientos avanzados en ambas áreas. Por este punto este tipo
de estrategias no están muy exploradas en México ya que el capital humano que se requiere es
muy especializado. Como las estrategias de arbitraje estadístico agilizan la correcta valuación
4
2 El modelo.
básica es que si y son los precios de dos acciones de emisoras pertenecientes a la misma
industria, o que tienen características similares (un buen ejemplo serían acciones de la misma
empresa que emiten en diferentes países), uno espera que los rendimientos de las dos
ln = ( − )+ ln + , (1)
= + + (2)
casos de interés es muy pequeño comparado con los cambios en el residual por lo que
puede ser ignorado. Esto significa que un portafolio corto-largo sobre estas acciones tenderá a
Existe la posibilidad que se espere que una acción dé mejores rendimientos que la otra durante
“Pairs trading” generalizado es analizar las acciones por grupos en vez de por parejas. La idea
es esperar que una acción se comportará de manera similar a un grupo de acciones con
5
características similares.
signo del residual respecto a las acciones que la están explicando. Es decir, si para una acción
entonces se tiene que ir corto, e irse largo en caso que el residual sea negativo.
Por lo tanto, el análisis de residuales será de gran importancia en la estrategia. Las señales de
entrada y salida de posiciones de las acciones serán dadas por los residuales del valor de
()
= + + , (3)
=1
( )
donde los términos ,= 1… representan factores de riesgo asociados con el mercado en
consideración. La pregunta que surge de esta ecuación es la siguiente: ¿Qué constituye un
mercado.
Sean { } los rendimientos de las acciones en periodos de un día (de cierre a cierre). Sea
el rendimiento de un portafolio de mercado (por ejemplo el IPC). Entonces para cada acción se
puede escribir:
∗
= + . (4)
6
Esta ecuación define un modelo de regresión lineal simple sobre los rendimientos de la acción
∗
que contiene un componente sin correlación con el mercado llamado al que le designamos
este modelo usando varios factores de riesgo ( ), resultando el modelo de regresión lineal
∗
= + . (5)
= = 0 = 1,2, … , . (6)
Los coeficientes corresponden a las betas de los portafolios, o a las proyecciones de los
rendimientos de los portafolios en los diferentes factores. De estas dos últimas ecuaciones se
sigue lo siguiente:
∗
= +
∗
= +
=1
∗
= (7)
=1
7
Por lo tanto un portafolio neutral al mercado sólo es afectado por los rendimientos
idiosincráticos.
Como se usarán componentes principales como factores de riesgo, en este capítulo se explica
Sea la matriz de datos centrados con n variables se desea encontrar un conjunto más
quiere que:
= max [ ] (8)
‖ ‖
y
= max [ ] . (9)
‖ ‖
matriz , en general para encontrar el vector k-ésimo se extraen los k-1 vectores anteriores
definiendo
= − . (10)
= max
‖ ‖ (11)
y
= max . (12)
‖ ‖
8
Si se desea explicar un porcentaje de varianza fijo p entonces se busca un conjunto { } tal
Para obtener las componentes principales como factores de riesgo inicialmente se usa la matriz
de precios diarios S de las N acciones a lo largo de M días. Por simplicidad del modelo se
ignorará la existencia de ciclos, es decir, se ignora la posibilidad de un comportamiento
intrínseco distinto de una temporada del año (como podría ser Diciembre) al resto del año. Se
,
, = , (13)
,
tiempo . Como hay acciones más volátiles que otras se estandariza la matriz de rendimientos.
, −
, = (14)
donde
1
= , (15)
1
= , − . (16)
−1
9
1
, = , , ,
−1 (17)
≥ ≥ ≥ ⋯ ≥ ≥ 0 , (18)
( ) ( ) ( ) ( )
= , ,…, = 1, … , . (19)
La cantidad de varianza explicada por cada eigenvalor irá decreciendo, por lo que sólo hay
interés en considerar los eigenvalores que sean significativos. Interesa usar los primeros m
eigenvalores (con sus respectivos eigenvectores) hasta el punto que el resto se puedan
considerar como solamente “ruido”. Se pueden hacer dos enfoques en este tema, usar un
( )
( )
= = 1, … , , (20)
( )
, = , = 1, … , . (21)
10
Es fácil ver que los eigenportafolios no están correlacionados entre sí, ya que los
El primer eigenvector está asociado al portafolio del mercado (IPC) en el sentido que los
( )
coeficientes , = 1, … , conservan el mismo signo que los rendimientos promedio del IPC
en el periodo y, a largo plazo, son positivos. Como la cantidad de pesos invertida en cada
( )
( )
acción es de = se observa que es inversamente proporcional a la volatilidad de las
acciones. Esto implica que empresas más grandes tienen mayor peso ya que por lo general las
grandes empresas tienen menor volatilidad en sus acciones. Por lo tanto, este primer
Pricing con el fin de mostrar un resultado que será de ulitidad para la sección siguiente.
es continuo y = 0.
~ (0, ).
El incremento − ~ (0, ) y si [ , ] ∩ [ , ] = ∅ entonces − y
= + + , (22)
11
donde y son funciones continuas tales que
( + | |) < ∞ . (23)
= + . (24)
( ) = 2 ⟹ = 2 . (25)
( + 1)
= − . (26)
Nótese que las diferencias dentro del paréntesis son incrementos de un movimiento Browniano,
que por definición tienen media 0 y también se sabe que hay independencia en los incrementos
con el valor en ese punto. Esto implica que todo el término dentro de la sumatoria es de media
0. Aquí hay una contradicción ya que se sabe que la media de es porque esa es la
12
( ) ≠ 2 . (27)
Es claro ahora que para evaluar la integral ∫ ( ) se deben usar otros medios. Ahora se
intenta aproximar mediante la siguiente suma:
( − 1)
( ) ≈ − . (28)
Sea
( − 1)
−
(29)
, = .
⁄
,
( ) ≈ . (30)
,
Por la ley de los grandes números ∑ ⟶ 1 . Por lo tanto,
( ) = (31)
o en su forma diferencial:
( ) = . (32)
Este último resultado servirá para hacer un cálculo en el siguiente capítulo ya que se
presentará la necesitad de integrar una función como ésta.
13
2.6 El modelo para el residual.
Se usará un modelo de tiempo continuo para los precios de las acciones ( ), … , ( ) donde
es el tiempo medido en años desde un punto arbitrario de la base de datos. Basado en el
modelo de varios factores de riesgo, se asume que los rendimientos de las acciones cumplen
( )
= + , ( ) + ( ) (33)
( )
Una forma de estimar los parámetros de esta ecuación es usando el método de mínimos
( , )
, = , (34)
( )
+ ( ) . (35)
La idea fundamental de este trabajo es aprovechar este comportamiento para construir una
estrategia de inversión y un portafolio que produzca rendimientos atractivos.
ecuación:
( ) = − ( ) + ( ), > 0 . (36)
14
Este proceso es estacionario y autorregresivo. En particular, este proceso cumple con lo
siguiente:
[ ( ) ] = 0 (37)
[ ( ) | ( ) , ≤ ] = − ( ) (38)
cada acción. Se supone que varían lentamente en el tiempo de interés y que los parámetros
son constantes en una ventana de 60 días, por lo que los parámetros se estiman utilizando
Si se asume que los parámetros del modelo son constantes, entonces se puede obtener la
( ) = − ( ) + ( ).
⇒ ( )+ ( ) = + ( ).
⇒ ( ( )+ ( ) ) = + ( )
∆ ∆ ∆
⇒ ( ( ) ) = + ( )
∆
( ∆ ∆ ( ∆ )
⇒ + ∆ ) = ( ) + (1 − ) + ( ) (39)
lim [ ( + ∆ )]
∆ →
∆ [ ( )] + ∆ ( ∆ )
= lim − lim + lim ( )
∆ → ∆ → ∆ →
15
y
∆
[ ( ) + ∆ ] = ( ∆ )
( )
∆
( ∆ )
=
∆
( ∆ )
1
=
2
∆ →
(1 − ∆ ) ⎯⎯⎯⎯
=
2 2
Por lo tanto, ( ) tiene una distribución de probabilidad a largo plazo Normal con
[ ( ) ] = (40)
[ ( ) ] = (41)
2
acción tiene una reversión a la media rápida lo que hace que el efecto de desvío sea
despreciable. En nuestra estrategia, para ser consistentes con el método de estimación, nos
1
= ≪ . (42)
Ya que sólo se desea considerar acciones cuyo tiempo esperado de reversión a la media sea
menor al tiempo de estimación.
16
3 La estrategia.
trimestre), por lo que se espera que se refleje el modelo en ventanas de ese periodo. Por eso
, = = . (43)
2 2
( ) − (44)
= .
,
Esta es una variable de posición, nos indica hacia dónde y en qué proporción está alejada la
acción de su punto de equilibrio teórico. Por esto mismo, ésta es la variable señal.
17
donde abrir largo significa comprar un peso de la acción i y vender (o irse corto) en los factores
[ + ( ) | ( ) , ≤ ] = + − ( )
= + − ( )
= − , (45)
Esto sugiere que la nueva variable señal a la cual se denominará como s-score modificada sea:
, = − = − . (46)
, ,
desviación es negativa. También se puede ver que si la s-score es cero entonces la estrategia
se reduce a observar las desviaciones de cada acción, es decir, se reduce a una estrategia de
“momentum”.
18
4 Los parámetros.
Ya se mencionó que
( , )
, = , (47)
( )
por lo que las ′ se calculan con la covarianza y la varianza muestrales. Para calcular las
desviaciones se utiliza el estimador de la constante de un modelo de regresión lineal múltiple
( ) ( )
= 260 − , . (48)
( ) ( )
( ∆ ∆ ( ∆ )
+ ∆ ) = ( ) + (1 − ) + ( ) (49)
cambia a
= + + = 1, … ,60 , (50)
Es decir, para estimar estos parámetros se usarán únicamente los últimos 60 días de
19
∆
= (1 − ) , (51)
∆
= (52)
[ ] = (1 − ∆ ) . (53)
2
observaciones. Se eliminan las acciones que tengan una que contenga al 1 en su intervalo
de confianza para asegurar que la acción se modele como se desea. Entonces despejando de
= , (55)
1−
[ ]∙2 (56)
= ,
1−
[ ]
, = . (57)
1−
( ) − (58)
=
,
Se usa
20
− −
= . (59)
,
Es decir, mide qué tan desviado está de su predicción. Se usa esta versión de s-score ya que
21
5 El portafolio.
Hasta ahora solamente se han discutido los tiempos de entrada y de salida de cada posición,
pero no se ha dicho nada de los montos. ¿Se entra con el mismo monto a cada posición?
Mientras se está en una posición, ¿se mantiene el monto de entrada fijo? ¿Se mantiene todo el
capital invertido en las acciones o se tiene una porción bajo una tasa libre de riesgo? Ya dada
una estrategia, encontrar cuál es la forma óptima de manejar un portafolio es un tema más
Se mantiene todo el capital invertido a menos que no haya posición activa, de ser ese el
Se actualizan diariamente los montos invertidos en cada una de las acciones según lo
1 , < − ̅
= 0 − ̅ < , < + ̅ (60)
−1 , > + ̅
22
,
= . (61)
,
ℬ , = , , (62)
= .
∙ ( − ℬ ∙ )
= . (63)
‖ ‖
tiempo .
23
6 Los datos.
Se usarán 40 acciones que cotizan en la BMV que cumplen cierto criterio de liquidez para
asegurar que pueda funcionar la estrategia. Las acciones que se utilizaron son los siguientes:
24
El criterio de liquidez que se usa es que el precio de la acción tenga variación diaria (o casi
diaria), lo que asegura que hubo compra-venta diaria. Una consecuencia de buscar las
acciones de mayor liquidez es que la mayoría de ellas forma parte del IPC, aunque hay
acciones del IPC que no están en la base y hay acciones fuera del IPC que entraron en la
base.
Los datos que se utilizaron en esta tesis son datos diarios de cierre de cada acción del 19 de
Antes de empezar a aplicar esta estrategia de arbitraje estadístico se hará un breve análisis
Uno de los temas de interés para poder aplicar la estrategia es saber el número de
componentes principales que se deben usar. Como se mencionó previamente hay dos formas
25
Gráfica (1) Número de componentes necesarias para explicar 55% de la varianza
núme
ro de
comp
onent
es
Tiempo en días
Es claro que la moda de la mínima cantidad de componentes necesarias para explicar el 55%
cercana a este número por lo que se puede observar de la gráfica(1). Por esto mismo se
utilizaron 10 componentes principales de manera fija a lo largo de la aplicación de la estrategia
de inversión.
26
En la siguiente gráfica se observa cómo se comporta el porcentaje de varianza que explica
Gráfica (2) Varianza explicada por cada componente principal a través del tiempo
Var.
explic
ada
de
cada
C.P.
Tiempo en días
Se puede ver que la primera componente principal tiene un dominio sobre las demás, tan solo
la primera componente explica alrededor del 30% en la mayor parte del tiempo, es decir, para
explicar el 25% faltante se necesitan en promedio 9 componentes más. También se puede ver
que la segunda componente resalta sobre las demás en ciertos periodos. Por esto mismo el
interés de saber qué acciones son las principales participantes en estas dos componentes.
La gráfica(3) es una gráfica de dispersión sobre las primeras dos componentes principales de
las acciones con mayor participación en ellas en cada tiempo del periodo.
27
Gráfica (3) Principales acciones graficadas sobre las primeras componentes
Segu
nda
comp
onent
princi
pal
Se observa que hay cierta simetría en la primera componente, el lado derecho son periodos en
los que hubo crecimiento en el IPC y el lado izquierdo cuando decreció (causado por la crisis
económica del 2008 en las que hubo fuertes caídas del IPC). Las acciones con mayor fuerza
en la primera componente (ICA, AMX, GEO Y CEMEX) se mantienen con una fuerza
relativamente constante respecto a ésta a lo largo del tiempo, su nivel en valor absoluto
siempre es mayor a .15 y menor a .25 . En cambio, las acciones con mayor fuerza respecto a la
segunda componente (CIE, COMERCI y PAPPEL) tienen una fuerza con mucha variación, por
ejemplo, en el caso de CIE llega a tener una fuerza de 0 a una fuerza superior a 0.4 .
28
6.2 El primer eigenportafolio.
Como se vio previamente la primera componente principal explica alrededor del 30% de la
varianza, por eso mismo interesa observar cómo se comporta el primer eigenportafolio.
Dese
mpeñ
o de
los
portaf
olios
Tiempo en días
En la gráfica se puede observar claramente que existe una correlación positiva alta entre el IPC
mercado de México es el IPC. También hay una clara separación después de la crisis, esta
separación probablemente es causada por que en esta tesis no se consideraron las acciones
que entraron al IPC después de la fecha inicial.
29
7 Los resultados.
En esta tesis no se intentará encontrar un conjunto óptimo para estos parámetros pero se
En la próxima tabla se presentan los rendimientos promedio diarios y anuales del portafolio con
30
En estas tablas se presentan los parámetros de entrada al, cl, ac y cc que abrevian abrir largo,
cerrar largo, abrir corto y cerrar corto respectivamente. Y se presentan también rd y ra que son
los rendimientos diarios promedio y los rendimientos anuales promedio que generó la
simulación de la estrategia con esos parámetros. En la tabla 2.1 se presenta un grupo de
Observaciones:
Lo primero que se observa, y que alegra ver, es que en la gran mayoría de los casos los
positivo mientras más alejados de 0 se elijan, aunque si se eligen demasiado lejos (2.5)
el efecto es negativo.
Por el otro lado, los parámetros ̅ y ̅ funcionan mejor para valores cercanos a 0.
La forma en la que se interpreta el segundo y el tercer punto es que la forma en que mejor
funciona la estrategia es ser ambicioso con las variables de entrada y esperar a que la acción
se desvíe mucho de su punto de equilibrio, y ser seguro con las variables de salida y dejar la
ilustra cómo se comporta el portafolio a lo largo del tiempo con distintos conjuntos de
parámetros de entrada al, cl, ac y cc.
31
Gráfica (5) Rendimientos de estrategias
Dese
mpeñ
o de
las
estrat
egias
Tiempo en años
Cian – [2.25, .75, 2.5, .5] Magenta - [1.75, 1.5, 1.75, 1.5]
Observaciones:
Pre-crisis: Se puede ver que inicialmente tienen un comportamiento similar aunque las
Crisis: Todas las estrategias tienen una caída al momento de iniciar la crisis, pero en el
oportunidades de arbitraje.
que las estrategias más agresivas empiezan a tener mayores pérdidas, y las más
32
grandes en estos periodos por lo que ya no hay tantas oportunidades de entrada para
De esto se puede deducir que si se deseara elegir los parámetros de una forma teórica óptima
uno de los principales factores que se deben considerar es la volatilidad del mercado.
presentar es que más que encontrar tendencias, lo único que genere es “ruido” que perjudique
a las predicciones.
33
Tabla 3.1 Cojunto de Estrategias Tabla 3.2 Cojunto de Estrategias
al cl ac cc rd ra al cl ac cc rd ra
1 0.5 1 0.5 -0.0001 -0.02 2 0.5 2 0.5 0.0008 0.22
1 0.75 1 0.75 0.0000 0.00 2 0.5 2 0.75 0.0007 0.19
1 1 1 1 0.0001 0.03 2 0.5 2 1 0.0004 0.11
1 1.25 1 1.25 0.0001 0.03 2 0.75 2 0.5 0.0005 0.13
1 1.5 1 1.5 0.0001 0.03 2 0.75 2 0.75 0.0005 0.13
1.25 0.5 1.25 0.5 0.0002 0.05 2 0.75 2 1 0.0003 0.08
1.25 0.75 1.25 0.75 0.0001 0.03 2 1 2 0.5 0.0000 0.00
1.25 1 1.25 1 0.0001 0.03 2 1 2 0.75 0.0002 0.05
1.25 1.25 1.25 1.25 0.0001 0.03 2 1 2 1 0.0001 0.03
1.25 1.5 1.25 1.5 0.0001 0.03 2.25 0.5 2.25 0.5 0.0012 0.35
1.5 0.5 1.5 0.5 0.0003 0.08 2.25 0.5 2.25 0.75 0.0014 0.42
1.5 0.75 1.5 0.75 0.0001 0.03 2.25 0.5 2.25 1 0.0008 0.22
1.5 1 1.5 1 0.0001 0.03 2.25 0.75 2.25 0.5 0.0009 0.25
1.5 1.25 1.5 1.25 0.0000 0.00 2.25 0.75 2.25 0.75 0.0010 0.29
1.5 1.5 1.5 1.5 0.0001 0.03 2.25 0.75 2.25 1 0.0005 0.13
1.75 0.5 1.75 0.5 0.0002 0.05 2.25 1 2.25 0.5 0.0009 0.25
1.75 0.75 1.75 0.75 0.0001 0.03 2.25 1 2.25 0.75 0.0010 0.29
1.75 1 1.75 1 0.0001 0.03 2.25 1 2.25 1 0.0006 0.16
1.75 1.25 1.75 1.25 -0.0001 -0.02 2.5 0.5 2.5 0.5 0.0007 0.19
1.75 1.5 1.75 1.5 0.0000 0.00 2.5 0.5 2.5 0.75 0.0007 0.19
2 0.5 2 0.5 0.0008 0.22 2.5 0.5 2.5 1 0.0007 0.19
2 0.75 2 0.75 0.0005 0.13 2.5 0.75 2.5 0.5 -0.0001 -0.02
2 1 2 1 0.0001 0.03 2.5 0.75 2.5 0.75 0.0000 0.00
2 1.25 2 1.25 0.0001 0.03 2.5 0.75 2.5 1 0.0004 0.11
2 1.5 2 1.5 0.0001 0.03 2.5 1 2.5 0.5 -0.0001 -0.02
2.25 0.5 2.25 0.5 0.0012 0.35 2.5 1 2.5 0.75 0.0000 0.00
2.25 0.75 2.25 0.75 0.0010 0.29 2.5 1 2.5 1 0.0004 0.11
2.25 1 2.25 1 0.0006 0.16
2.25 1.25 2.25 1.25 0.0002 0.05
2.25 1.5 2.25 1.5 0.0000 0.00
Al comparar estas tablas con las tablas 2.1 y 2.2, se observa que en la primera columna en la
mayoría de los casos conviene ignorar la desviación ya que en tan solo 8 de las 30 estrategias
conviene considerar . Por el otro lado, en la segunda columna en las que pertenece las
mejores estrategias en tan solo 3 de los 28 casos no conviene ignorar .
34
Gráfica (6) Desviación v.s. No desviación
Dese
mpeñ
o de
las
estrat
egias
Tiempo en días
35
7.3 Los parámetros en el tiempo.
Dado que la estrategia parece tener buen funcionamiento, es de interés saber si efectivamente
el modelo se está cumpliendo. Por eso mismo se grafican los parámetros de América Movil (la
Kapp
Tiempo en días
Se desea que 1 = ≪ 1 = 60⁄260 por lo que se desea que kappa sea mayor a 8.6
para que tenga una rápida reversión a la media. Es claro que para esta acción, efectivamente
se cumple esto.
36
Gráfica (8) Mu y sigmaEq de América Móvil vs Tiempo
Pará
metro
Tiempo en días
Rojo - Mu Verde - SigmaEq
En esta gráfica se observa que efectivamente, la media del residual es cercana a 0 a lo largo
de todo el periodo. También se observa que la sigmaEq (sigma de equilibrio) es mayor en los
37
8 Algunos comentarios sobre la implementación.
Si se deseara implementar esta estrategia de arbitraje en la vida real se deben considerar los
siguientes puntos:
La estrategia necesita entrar en posiciones sobre índices que no existen. Como no sería
costeable crear índices para implementar la estrategia, entonces se debe usar otro
método. Para poder replicar artificialmente los índices es necesario entrar en posición
El modelo pide un apalancamiento preciso en cada componente, pero esto tal vez no
manera negativa.
La estrategia también pide entrar en posición en cada uno de los eigenportafolios con
un monto igual a su respectiva para cada acción en la que hay posición activa. No es
posible invertir el monto que uno quiera en una emisora ya que cada acción tiene un
precio, entonces para poder aproximar las proporciones de estas ′ de la mejor
Por último, se debe considerar que hay un retraso de tiempo del momento en el que se
sabe que se debe entrar en alguna posición al momento que efectivamente se entró. En
ese diferencial de tiempo también se generó un diferencial de precio. Esto podría
38
9 Conclusiones.
Esta estrategia de arbitraje estadístico parece funcionar en México en este periodo ya que en la
gran mayoría de las diferentes selecciones de parámetros los rendimientos fueron positivos y,
en los casos que fueron negativos los rendimientos eran muy cercanos a cero.
Las acciones que se consideraron son las mismas durante todo el periodo, si en la
implementación se consideran las acciones nuevas que forman parte del IPC se conseguiría
mayor información del mercado, por lo que se esperaría que la estrategia funcione mejor.
estrategia parece funcionar bien en tiempos de crisis y no tan bien en tiempos estables por lo
que sería natural pensar que la estrategia es dependiente de la volatilidad del mercado. Lo que
se intuye de los datos es que esta selección de parámetros debe de estar relacionada
directamente con la volatilidad del mercado. Sería posible implementar una estrategia donde
los parámetros de señalamiento sean dinámicos dependientes de la volatilidad y tal vez otros
En general se concluye que esta es una estrategia que vale la pena explorar más a detalle para
39
10 Los algorimtos.
function[g]=EstrategiaAE(al,cl,ac,cc,X,mod)
%Este algoritmo simula como se comportaría la estrategia en el periodo.
%Los parámetros de entrada es la matriz X de precios de acciones a lo largo
% del tiempo siendo cada columna una acción.
% al, cl , ac, cc son los parámetros de abrir(o cerrar) largo(o corto)
% mod es uno si se considera la desviación y 0 si no se considera.
%Matriz de rendimientos
[a,b] = size(X);
R = zeros(a-1,b);
for i=1:a-1
for j=1:b
R(i,j) = log(X(i+1,j)/X(i,j));
end
end
%Posicion es el vector que indica que posición se tiene sobre cada accion,
%1 es "abierto largo", -1 es "abierto corto", 0 es sin posicion
posicion = zeros(1,b);
rend = 0;
rendv = zeros(a-1-260,1);
ing=1;
for t=261:a-1
%Se calculan los residuales y se actualizan las matricez F y rendF y se
%extrae la matriz de betas y el vector de alfas
[DXt,F,rendF,betas,alfas] = CalculaResiduales(DXt,R,F,rendF,t,b);
%rend = rend*(1+(posicion*((R(t,:)')-betas*(rendF(t,:)'))));
40
end
end
cont = b-cont;
if cont > 0
rend = posicion*((R(t,:)')-betas*(rendF(t,:)'));
if abs(rend) > 1
rend = abs(rend)/rend;
end
rend = rend/cont;
rendv(t-260,1) = rend;
end
posicion = senal(posicion,DXt,t,b,al,cl,ac,cc,alfas,mod);
ing=ing*(1+rend);
if rend < 0
plot(t,ing,'red')
hold on
else
plot(t,ing,'red')
hold on
end
t
end
g=mean(rendv);
41
function[DXt,F,rendF,betas,alfas] = CalculaResiduales(DXt,R,F,rendF,t,b)
%Esta función regresa el vector de residuales del proceso de difusión de O-U
%sumados con el "dift" alfa
%Actualiza los retornos de F
%Actualiza los rendimientos de F
%Regresa la matriz de betas al tiempo t
%Regresa el vector de algas al tiempo t
%F es un vector con los factores de riesgo. Cada uno formado por cada
%componente principal
Ft = zeros(1,10);
%F es un vector con los factores de riesgo. Cada uno formado por cada
%componente principal
rendFt = zeros(1,10);
[coeff,score,vars] = PCA(R,t);
%A es la sección de R de interés
A = zeros(260,b);
for i=1:260
for j=1:b
A(i,j) = R(i+t-260,j);
end
end
%Se calculas las sigmas
for i=1:b
sigmas(i,1) = sqrt(var(A(:,i)));
end
42
%Se toma la parte de F de interés "B"
B = zeros(260,10);
for i = 1:260
for j = 1:10
B(i,j) = F(t-260+i,j);
end
end
43
function[posicion] = senal(posicion,DXt,t,b,al,cl,ac,cc,alfas,mod)
%Esta función indica que acción se debe hacer sobre la acción al tiempo t
siv = zeros(1,b);
for i = 1:b
%v es la serie de tiempo de los residuales de la accion i
v = zeros(60,1);
for j = 1:60
v(j) = DXt(t-60+j-1,i);
v1(j) = DXt(t-60+j-2,i);
end
p2 = c(2,1)/var(v1);
p1 = mean(v)-p2*mean(v1);
if posicion(1,i) == 1
if si > cl
posicion(1,i) = 0;
end
end
if posicion(1,i) == -1
if si < -cc
posicion(1,i) = 0;
44
end
end
function[coeff,score,vars] = PCA(X,t)
45
%esta funcion regresa las componentes principales que corresponden a las
%observaciones de hace un año a la fecha.
[a,b]=size(X);
A=zeros(260,b);
for i=1:260
for j=1:b
A(i,j) = X(i+t-261,j);
end
end
%Se estandariza la matriz
Z = zscore(A);
[coeff,score,latent] = princomp(Z);
vars = latent./sum(latent);
end
%Analisis exploratorio
[a,b]=size(X);
R = zeros(a-1,b);
for i=1:a-1
for j=1:b
R(i,j)=log(X(i+1,j)/X(i,j));
end
end
suma=0;
suma2=0;
%suma3 es para ver cuantas componentes se necesitan para acumular 55% de
%variaza explicada
suma3=0;
%vec es el vector promedio de los coeffs
% vec = zeros(b,10);
% Z = zscore(R);
% [coeffs,score,latent] = princomp(Z);
for t=261:a-1
[coeff,score,vars] =PCA(R,t);
suma=suma + vars(1);
suma2=suma2 + vars(2);
s=0;
q=1;
while s < .55
s = s + vars(q);
q = q + 1;
end
suma3 = suma3 + q;
46
hold on
plot(coeff(4,1),coeff(4,2),'green');
plot(coeff(18,1),coeff(18,2),'yellow');
plot(coeff(11,1),coeff(11,2),'red');
plot(coeff(13,1),coeff(13,2),'cyan');
plot(coeff(14,1),coeff(14,2),'magenta');
plot(coeff(30,1),coeff(30,2),'blue');
t
end
suma/(a-1)
suma2/(a-1)
suma3/(a-1)
%Matriz de rendimientos
[a,b]=size(X);
R = zeros(a-1,b);
for i=1:a-1
for j=1:b
R(i,j)=log(X(i+1,j)/X(i,j));
end
end
47
rendF=zeros(a-1,10);
rend=1;
DXt = zeros(a-1,b);
for t=261:a-1
[DXt,F,rendF,betas] = CalculaResiduales(DXt,R,F,rendF,t,b);
rend=rend*(1+rendF(t,1));
%Grafica del Primer Eigenportafolio
plot(t,rend,'blue');
hold on
%Grafica del IPC
plot(t,IPC(t,1)/IPC(261,1),'red');
t
end
48
Est = zeros(28,5);
%a es abrir posicion
%c es cerrar posicion
cont = 0
a=2;
for i = 1:3
cl=.5;
for j=1:3
cc=.5;
for k=1:3
pars =[a cl a cc];
r = EstrategiaAE(pars(1,1),pars(1,2),pars(1,3),pars(1,4),X,1);
cont = cont + 1
Est(cont,:)=[pars r];
cc=cc+.25;
end
cl = cl + .25;
end
a = a + .25;
end
Est
%Posicion es el vector que indica que posición se tiene sobre cada accion,
rend = 0;
rendv = zeros(a-1-260,1);
ing=1;
for t=261:a-1
%Se calculan los residuales y se actualizan las matricez F y rendF y se
%extrae la matriz de betas y el vector de alfas
49
[DXt,F,rendF,betas,alfas] = CalculaResiduales(DXt,R,F,rendF,t,b);
[kappa,m,sigmaEq]=grafica(DXt,t,b,alfas);
plot(t,kappa,'blue')
hold on
plot(t,m,'red')
hold on
plot(t,sigmaEq,'green')
end
function [kappaa,mm,sigmaa]=grafica(DXt,t,b,alfas)
siv = zeros(1,b);
for i = 1:b
%v es la serie de tiempo de los residuales de la accion i
v = zeros(60,1);
for j = 1:60
v(j) = DXt(t-60+j-1,i);
v1(j) = DXt(t-60+j-2,i);
end
p2 = c(2,1)/var(v1);
p1 = mean(v)-p2*mean(v1);
50
vx = var(rx);
if i == 4
kappaa=kappa;
mm=m;
sigmaa=sigmaEq;
end
%si = (DXt(t,i)-m)/sigmaEq;
si = (DXt(t,i)-p1-p2*DXt(t-1,i))/sigmaEq;
siv(1,b) = si;
end
51
Referencias
Avellaneda, M. y Lee, J-H. (2010). Statistical Arbitrage in the U.S. Equity Markets. Quantitative
52