Введение в стратегию Report Prediction Strategy

Стратегия старается предсказать, позитивно или негативно отчитается компания, и как цена акции среагирует на отчет. Предполагается вхождение в акции компаний до закрытия рынка и выход сразу после открытия.

Использование продвинутого статистического и эконометрического анализа позволяет нивелировать риски неэффективности рынка.

Порой рынок ведет себя неэффективно, и инвесторы стараются получить доходность сильно выше рыночной и совершают необдуманные действия, приводящие к убыткам.

Рассмотрим несколько примеров ситуаций, где применение статистического и эконометрического анализа необходимо:

Инвесторы верят в необоснованный перелом тенденций и держат акции какой-то компании, хотя на протяжении нескольких кварталов эмитент выпускал слабые отчеты, и котировки падали.

Пример: инвесторы активно скупали акции Intel перед отчетом за q2 2022, хотя компания на протяжении последних 9 кварталов отчитывалась хуже прогнозов, и ее акции падали (после отчета за q2 2022 акции тоже упали)

Инвесторы забывают про взаимосвязь внутренних элементов рынка и про корреляцию между представителями одного сектора. Так, трейдеры часто покупают какую-то бумагу, ожидая публикации хороших квартальных результатов и роста акций, хотя конкуренты из сектора отчитываются крайне негативно.

Пример: перед отчетом за q1 2022 инвесторы покупали акции Costco самыми большими объемами с декабря 2021, несмотря на ужасный отчет Walmart (корреляция динамики акций Costco и Walmart составляла 92%) за неделю до этого, как итог акции Costco упали почти на 2% после выхода своего слабого отчета.

Наша модель базируется на интеграции эконометрики и статистики в процесс машинного обучения системы, способной на постоянный сбор данных, их динамический пересчет, аналитику и построение прогнозов по реакциям котировок на основе исторических цифр

Подготовка к запуску модели требовала многочисленных циклов сбора данных, аналитических расчетов коэффициентов и их проверок:

Наша первоначальная идея базировалась на убеждении, что все должно быть запрограммировано на автоматический сбор данных, динамический расчет коэффициентов и их аналитику в реальном времени
На этапе первичного обсуждения регрессоров мы определили три основных фактора, которые могут оказывать влияние на котировки после выхода отчетности:
— Тенденции акций к росту или падению после отчета
— Конъюнктура отрасли
— Интерес к компании и спрос на ее продукцию
Мы собрали данные по более чем 3 500 компаниям за последние 5 лет (всего более 50 000 наблюдений)
После этого было необходимо очистить котировки от влияния внешних эффектов, к примеру сплитов
Затем была написана программа, осуществляющая постоянный автоматический парсинг сайтов для сбора актуальной информации по дате отчетов, как прошлых, так и будущих
Лишь после всех вышеописанных манипуляций можно было запускать процесс машинного обучения для непосредственного расчета реакций на выход отчетности
По завершении компьютерного расчета проводилась ручная проверка нескольких сотен наблюдений
После проведения многочисленных циклов пересчета и проверок программа была готова к полноценному запуску обучения и расчету коэффициентов модели

После окончания подготовки программы было необходимо построить модель с помощью регрессионного метода:

Программа автоматически рассчитала коэффициенты регрессии по средним историческим реакциям эмитента, индивидуальному индексу отрасли и изменению индекса интереса и спроса
Полученные результаты нас не удовлетворили, так как коэффициент при переменной, отвечающей за интерес и спрос, оказался незначимым. Он не оказывал положительного влияния на модель, и мы его исключили
После этого мы еще раз запустили пересчет коэффициентов:
— В этот раз все они были значимыми, но только на высоком уровне значимости
— Также они были положительными, что совпадает с нашими ожиданиями и логическими рассуждениями
— Более того, мы провели тесты на наличие гетероскедастичности и мультиколлинеарности
— Как и ожидалось, в модели отсутствует мультиколлинеарность, коэффициенты у регрессоров оказались ниже порогового значения
— В модели присутствует гетероскедастичность, но мы нивелировали ее негативное влияние с помощью включения в модель робастных стандартных ошибок, после чего регрессоры стали значимы на более низком уровне значимости, и была определена оптимальная спецификация модели

Мы провели последние проверки, и когда остались довольны результатами, то запустили финальную версию кода для постоянного сбора информации по датам отчетов эмитентов и по их котировкам. После этого модель автоматически рассчитывала реакции и учитывала их при построении обновленной регрессии.

Таким образом, мы построили полноценную программу, способную автоматически обучаться с каждым новым отчетом и учитывать полученную информацию при будущих расчетах, проводимых более 20 раз за день.

Весь процесс можно представить следующим образом:

Backtest: доходность стратегии в 42 раза превышает доходность S&P500

Для проверки доходности и надежности стратегии мы провели Backtest в период с августа 2019 г. по начало июля 2022 г. Стратегия продемонстрировала доходность сильно выше рынка:

Стратегия: +1362%
S&P 500: +32%

Квартальный анализ показал, что доходность стратегии стабильно превышает доходность рынка:

S&P500 в среднем растет на 2.6% в квартал, наша стратегия показала среднюю доходность 29.6% в квартал, в 10 раз выше

В 75% кварталов доходность стратегии превышала доходность рынка

В среднем стратегия предсказывала правильное направление котировок в 51% случаев

Коэффициент корреляции между доходностью стратегии и рынка составил -29.8%, между прибыльностью стратегии и рынка слабая отрицательная связь

Волатильность стратегии превышает волатильность рынка в 2.4 раза: 27.6% против 11.8%

Потенциальная доходность (42X) превышает возможный риск (2.4X)

Большая часть покупок в лонг оказалась прибыльной, и их средняя доходность превышала средний убыток:

53% всех сделок в лонг были прибыльными, средняя прибыль +3.83%
47% лонгов были убыточными, но убыток в среднем составил -3.64%

Менее половины продаж в шорт принесли прибыль, но их средняя доходность немного превышала средний убыток:

47% всех сделок в шорт были прибыльными, средняя доходность +4.92%
53% шортов принесли убытки, в среднем по -4.41%

После тестового запуска стратегия показывает результат в 4 раза лучше рынка

Стратегия: +42%
S&P 500: +9.5%

При этом максимальная просадка составляла всего 11.4% от максимума (и тогда стратегия все равно была в плюсе на +17%)