对所有可能的交易对进行交易的大规模实证研究

请注意，上述表达式中的每个ID对应于Yahoo！中使用的每个标识！金融[17]。正如我们预期的可口可乐和百事可乐[19]的例子一样，它们都是同一类型的行业（钢铁行业）。我们想强调的是，我们应该谨慎地使用上述两对进行交易，因为这两对已经赢得了这场比赛，在这场比赛中，这两对曾经在过去获得了优势，但在未来再也不会循环。因此，我们需要对上述配对进行更广泛的分析，以便在实践中使用它们。5总结在本文中，我们提出了一个非常简单有效的算法，使配对交易变得容易和自动。我们将算法应用于东京证券交易所第一部分的日常股票数据。通过改变起始（θ）、取数（ε）和s顶部损耗，对所有可能的对进行了经验数据集算法的数值计算(Ohm)为了寻找条件（θ，ε，Ohm). 我们发现，对于几乎所有的组合（θ，ε），在约束条件下Ohm = 2θ - ε、 我们可以获得正收益率η>0，这意味着我们的算法至少在过去三年（2010-2012）中实现了几乎无风险的资产管理，这可能是对交易有用性的一种证明。最后，我们展示了几个activepairs赢得游戏的例子。正如我们之前所预期的，这两个行业都是同一类型的行业（例如，钢铁行业）。我们应该得出结论，在大多数阈值（θ，ε）的情况下η>0这一事实意味着，可以通过并行应用我们的算法来构造所有可能（θ，ε）的自动IRS交易系统。当然，结果并不直接意味着我们可以在实际交易中获得正收益。

我们在本文中的目的是研究在特定市场，即东京证券交易所，高度相关对的概率适合候选股票交易。从这个意义上说，我们的结果不能直接用于实际的配对交易。然而，我们可以通过引入额外的交易成本来减少候选人，甚至对于这种情况，也可以通过游戏来计算获胜概率等。通过将交易视为首次通过过程的混合，可能会有所帮助。我们计划考虑在不同的股票市场上市，例如，一对在东京，另一对在纽约。当然，我们应该对成对交易进行大规模的实证研究，同时也要考虑汇率的影响。

这些分析可能是我们未来研究的重点。ε[%] θ [%] Ohm[%]NwNlpw[%]ε[%]θ[%]Ohm[%]NwNlpw[%]0 10 20 11 32 25.6 0 80 160 5 13 27.70 20 40 25 52 32.4 10 80 150 6 9 40.010 20 3023 33 41.0 20 80 149 8 47.00 30 6024 42 36.3 30 80 130 8 12 40.010 30 5023 41 35.9 40 80 120 90 120 9 14 39.120 30 4017 29.3 50 80 110 10 45.40 80 22 36 37.9 60 80 80 80 80 100 9 12 42.810 40 7022 35 38.5 70 80 80 90 8 11 42.120 40 6022 32 40 70 90 90 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 40 4039.4 20 90 160 4 11 26.610 50 9016 31 34.0 30 90 150 4 9 30.720 50 8018 30 37.5 40 90 140 5 9 35.730 50 7016 27 37.2 50 90 130 4 10 28.540 50 609 25 26.4 60 90 120 3 10 23.00 60 12011 16 40.7 70 90 110 4 6 40.010 60 11014 20 41.1 80 90 100 5 2 71.420 60 10013 22 37.0 0 100 200 4 5 44.430 60 9013 28 31.7 10 100 190 4 8 33.340 60 8014 26 35.0 20 100 180 4 6 40.050 60 7010 17 37.0 30 100 170 4 9 30.70 70 14011 10 52.3 40 100 160 5 8 38.410 70 13011 14 44.0 50 150 5 6 45.420 70 12010 16 38.4 60 100 140 7 5 58.330 70 11013 16 44.8 70 100 130 5 45.440 70 10013 19 40.6 80 100 120 5 55.550 70 9011 21 34.3 90 100 110 3 75.060 70 8013 18 41.9表1 2012年结果详情。另请参见图3（最上面的部分）。我们发现相对较高的获胜概率~ 观察到0.7，然而，赢Nw（和输Nl）的数量很少Ohm = 2θ - ε保持不变。致谢这项工作得到了日本科学促进会第2533027803号科学研究资助计划（c）和日本科学促进会第2533027803号科学研究资助计划（B）的资助。26282089.我们还获得了创新领域2512001313号科学研究补助金的支持。

其中一位作者（JI）感谢AnirbanChakrabor ti在早期阶段对本研究的有益评论。18三和木吕田，井上俊一ε[%]θ[%]Ohm[%]NwNlpw[%]ε[%]θ[%]Ohm[%]NwNlpw[%]0 10 20 93 200 31.7 0 80 160 9 30 23.00 20 40 93 245 27.5 10 80 150 11 34 24.410 20 50 91 221 29.1 20 80 149 17 39 30.30 30 30 60 72 178 28.8 30 80 130 16 42 27.510 30 50 90 198 31.2 40 80 120 42 37.320 30 4087 195 30.8 50 80 110 25 54 31.60 40 80 80 80 44 111 28.3 60 80 80 80 30 30 39.010 40 7061 135 31.1 70 80 90 41 45.520 40 606 90 90 90 90 60 60 60 60 90 10.1024.10 50 10031 82 27.4 20 90 160 11 25 30.510 50 9041 88 31.7 30 90 150 13 26 33.320 50 8050 103 32.6 40 90 140 18 31 36.730 50 7050 123 28.9 50 90 130 15 38 28.340 50 6057 114 33.3 60 90 120 23 39 37.00 60 12021 57 26.9 70 90 110 28 44 38.810 60 11021 69 23.3 80 90 100 31 33 48.420 60 10032 74 30.1 0 100 200 6 10 37.530 60 9034 80 29.8 10 100 190 6 13 31.540 60 8045 89 33.5 20 100 180 8 17 32.050 60 7053 86 38.1 30 100 170 11 19 36.60 70 14014 47 22.9 40 100 160 14 21 40.010 70 13014 48 22.5 50 100 150 17 21 44.720 70 120 21 53 28.3 60 100 140 18 26 40.930 70 110 22 64 25.5 70 100 130 19 33 36.540 70 10029 30.2 80 100 120 23 31 42.550 70 9032 29.9 90 100 100 110 20 34 37.060 70 8038 35.1表2 2011年结果的详细信息。另请参见图3（中间）。应该指出的是Ohm = 2θ - ε保持不变。利益冲突声明相关作者（JI）代表所有作者声明不存在利益冲突。参考文献1。J.-P.Bouchaud和M.Potters，《金融风险和衍生产品定价理论：从统计物理到风险管理》（第二版），剑桥大学出版社（2009年）。2。T.Ibuki、S.Suzuki和J。

井上，通过多维标度对相关时间序列进行聚类分析和高斯混合估计，系统风险的经济物理学和网络动力学，新经济窗口卷2013，第239-259页，斯普林格·维拉格（意大利米兰）（2012年）。T.Ibuki、S.Higano、S.Suzuki和J.Inoue，《分层信息级联：利用股票相关性对金融危机中人类集体行为的可视化和预测》，ASE《人类杂志》第1期，第2期，第74-87页（2012年）。4。T.Ibuki，S.Higano，S.Suzuki，J.Inoue和A.Chakraborti，金融危机期间股票CO运动的统计推断，物理学杂志：会议系列473，012008（16页）（2013年）。对配对交易的大规模实证研究195。M.Murota和J.Inoue，通过三态随机场伊辛模型描述金融危机，基于代理模型的经济物理学，新经济窗口卷2014，第83-98页，Springer Verl ag（意大利米兰）（2013）。T.Kaizoji，《股票市场中的投机泡沫和崩盘：投机活动的互动代理模型》，Physica A 287493（2000）。J.-P.Bouchaud，《危机与集体社会经济现象：简单模型与挑战》，统计物理杂志149，第6期，第969-1172页（2012年）。R.J.Elliot，J.van der Hoek和W.P.Malcolm，结对交易，定量金融5，第3期，第271-276页（2005年）。S.M udchanatongsuk，《最佳配对交易：一种随机控制方法》，2008年美国控制会议过程，第1035-1039页（2008）。G.Vidyamurthy，《成对交易：定量方法与分析》，威利金融（2004年），11。M.Whistler，《交易对：用统计套利策略捕捉利润和对冲风险》，Wiley Trading（2004）。12。例如Gatev，W.N。戈茨曼和K.G。

Rouwenhorst，Pairs Trading:相对价值套利规则的表现，《金融研究19综述》，第3期，第797-827页（2006年）。（另见NBER工作文件7032，国家经济研究局（1999年）。）13.M.S.Perlin，《巴西金融市场成对交易策略的评估》，衍生工具与对冲基金杂志15，第122-136页（2009年）。14。B.Do和R.Faff，简单的配对交易仍然有效吗？，《金融分析师期刊》66，第4期，第83-95页（2010年）。15。R.F.Engle和C.W.Granger，《协整和误差修正：表征、估计和检验》，《计量经济学》第55期，第2期，第251-276页（1987年）。16。J.H.Stock和M.W.Watson，《共同趋势测试》，美国统计协会杂志83，第404期，第1097-1107页（1988年）。17。http://finance.yahoo.co.jp18.S.Redner，《首次通过过程指南》，剑桥大学出版社（2001年）。19。http://en.wikipedia.org/wiki/Pairstrade20.T.Ibuki和J.Inoue，《双拍卖市场对具有随机买卖价差的瞬时买卖信号的响应》，《经济互动与协调杂志》第6期，第2期，第93-120页（2011年）。21。J.Inoue和N.Sazuka，《外汇汇率的排队理论分析》，数量金融10，第10号公告，第2期，第121-130页（2010年）。22。N.Sazuka，J.Inoue和E.Scalas，《外汇和期货市场中首次通过时间和持续时间的分布》，Physica A 388第14号公告，第2839-2853页（2009年）。23。J.Inoue和N.Sazuka，《第一阶段过程中列维和高斯机制的交叉》，物理评论E 76021111（9页）（2007年）。24。N.Sazuka和J.井上从基尼指数的角度来看财务数据的时间间隔波动，Physica A 383，第49-53页（2007年）。25。李文、井上俊彦和E。

Scalas，《金融时间序列的非平稳性：对最优投资组合选择的影响》，统计力学杂志：理论与实验，P07025（2012）。