加密资产因子模型

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Cryptoasset Factor Models》
---
作者：
Zura Kakushadze
---
最新提交年份：
2019
---
英文摘要：
  We propose factor models for the cross-section of daily cryptoasset returns and provide source code for data downloads, computing risk factors and backtesting them out-of-sample. In \"cryptoassets\" we include all cryptocurrencies and a host of various other digital assets (coins and tokens) for which exchange market data is available. Based on our empirical analysis, we identify the leading factor that appears to strongly contribute into daily cryptoasset returns. Our results suggest that cross-sectional statistical arbitrage trading may be possible for cryptoassets subject to efficient executions and shorting.
---
中文摘要：
我们为每日加密资产回报的横截面提出了因子模型，并提供了数据下载、计算风险因子和样本外回溯测试的源代码。在“加密资产”中，我们包括所有加密货币和大量其他可获得交易所市场数据的数字资产（硬币和代币）。根据我们的实证分析，我们确定了似乎对加密资产每日回报有重大贡献的主导因素。我们的结果表明，对于有效执行和做空的加密资产，横截面统计套利交易可能是可能的。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类：Quantitative Finance        数量金融学
二级分类：Pricing of Securities        证券定价
分类描述：Valuation and hedging of financial securities, their derivatives, and structured products
金融证券及其衍生产品和结构化产品的估值和套期保值
--
一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--

---
PDF下载：
--> Cryptoasset_Factor_Models.pdf (393.17 KB)

2022-6-11 04:12:11 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Quantitative Optimization Applications QUANTITATIV Measurement

Cryptoasset Factor ModelsZura Kakushadze§+1§QuantigicrSolutions LLC1127 High Ridge Road#135，Stamford，CT 06905+第比利斯自由大学商学院和物理学院240，David Agmashenebeli Alley，第比利斯，0159，乔治亚州（2018年9月6日）摘要我们提出了每日加密资产回报横截面的因子模型，并提供数据下载源代码，计算风险因素并从样本中对其进行回溯测试。在“加密资产”中，我们包括所有加密货币和大量其他各种数字资产（硬币和代币），这些数字资产可用于交换市场数据。根据我们的实证分析，我们确定了似乎对每日加密资产回报率有重大贡献的主导因素。我们的结果表明，对于高效执行和做空的加密资产，横截面统计套利交易可能是可能的。Zura Kakushadze博士是QuantigicrSolutions LLC的总裁兼首席执行官，也是第比利斯自由大学的全职教授。电子邮件：zura@quantigic.comDISCLAIMER：通讯作者使用此地址的目的仅是按照出版物惯例表明其专业职责。特别是，本文件的内容并非投资、法律、税务或任何其他此类建议，也不代表QuantigicSolutions LLC（网站www.quantigic）的观点。com或其任何附属公司。1简介Crytoassets的总市值相当可观（尽管波动很大），以数千亿美元计。非常丰富的是，这些加密资产也有相当数量，截至撰写本文时，接近2000个。

我们在本说明中提出的问题（至少在某种程度上是答案）是：加密资产回报的横截面背后是否存在共同（风险）因素？加密资产没有明显的“基本面”，因此可以尝试为加密资产构建类似于股票价值、增长等的“基本”长期因素。然而，即使对于股票而言，在短期内（如隔夜回报），在某种意义上，事情也变得简单了，因为长期“基本面”（同样，如价值和增长）不再相关【Kakushadze和Liew，2015年】。这是构建[Kakushadze，2015]短期股权回报四因素模型的基础。因此，很自然地将【Kakushadze，2015】中提出的想法扩展到加密资产，也就是说，每日开盘至收盘收益。这正是这张便条所做的。我们考虑了4个（+）因素，即上限（或规模，基于市值）、mom（动量）、hlv（基于平均日内波动率）和vol（或流动性，基于平均每日美元交易量）。通过使用样本Fama-MacBeth回归【Fama和MacBeth，1973年】并根据相应回归系数的时间序列计算年度化t统计量，我们得出结论，vol不是一个好的预测因子（前一天的体积可能除外）。一种可能的解释是，与市值相比，加密资产的平均交易量少得可怜（“营业额”）很低，因此vol实际上并不能衡量流动性。其他三个因素cap、mom和hlv增加了价值，其中mom以较大幅度领先。事实上，前一天的势头也是可以预测的。

mom回归系数的符号为负，这表明加密资产日收益率存在均值回归效应。这里的“加密资产”是指基于数字加密的资产，如加密货币（如比特币），以及近年来出现的大量其他数字“硬币”和“代币”（可开采和不可开采）。出于我们在此处的特定目的，所有拥有以下数据的数字资产https://coinmarketcap.com先验知识包含在“加密资产”中。有关股票长期因素的一些文献，请参见，例如，【Amihud，2002】【Ang et al，2006】【Anson，2013】【Asness，1995】【Asness et al，2001】【Asness，Porter and Stevens，2000】【Banz，1981】【Basu，1977】【Carhart，1997】【Fama and French，1992】【Fama and French，1993】【Fama and French，1996】【Haugen，1995】【Jegadeesh and Titman，1993】【Lakonishok，Shleifer and Vishny，1994】，【Liew和Vassalou，2000年】【astor和Stambaugh，2003年】【Scholes和Williams，1977年】。据我们所知，我们在这里的分析是第一次。

有关一些加密资产投资和交易相关文献，请参见，例如，【Alessandretti et al，2018】、【Amjad and Shah，2017】、【Baekand Elbeck，2014】、【Bariviera et al，2017】、【Boouiyour et al，2016】、【Bouri et al，2017】、【Brandvoldet al，2015】、【Bri\'ere，Oosterlinck and Szafarz，2015】、【Cheah and Fry，2015】、【Cheung，Roca and，2015】、【Ciasian，Rajcaniova and Kancs，2015】，【Colianni、Rosales和Signorotti，2015】【Donier和Bouchaud，2015】【Dyhrberg，2015】【Eisl、Gasser和Weinmayer，2015】【Gajardo、Kristjanpollerand Minutolo，2018】【Garcia和Schweitzer，2015】【Georgoula等人，2015】【Harvey，2016】【Jiang和Liang，2017】【Kim等人，2016】【Kristoufek，2015】【Lee、Guo和Wang，2018】【Lie等人，2018】【Liew、Li和Budav\'ari，2018】，【Nakano、Takahashi和Takahashi，2018年】【Ortisi，2016年】【Shahand Zhang，2014年】【Van Alstyne，2014年】【Wang和Vergne，2017年】。本说明的其余部分组织如下。在第2节中，我们描述了数据，确定了我们的因素，并讨论了回归结果。第3节简要总结了一些意见。附录A给出了数据下载和运行因子回归的R源代码。表格和图表总结了我们的结果。2因素2.1设置和数据与股票不同，除非有任何特殊情况，如交易意外中断，加密资产连续交易，全天候。因此，虽然加密资产有“开放”和“关闭”的概念，但它们的含义与股票不同。在此，除特殊情况外，任何一天的“开盘”指午夜后（UTC时间）的价格，而任何一天的“收盘”指午夜前（UTC时间）的价格。在这方面，如果没有交易大厅，某一天的开盘时间与前一天的收盘时间非常接近。然后，在开盘和收盘之间的24小时窗口内，价格的高低具有通常的含义。

交易量是指24小时内的美元交易量。所有价格都是以美元计算的，市值也是如此。我们使用指数i=1，N以横截面标记N个不同的加密资产，索引=0、1、2、。表示日期，s=0对应于时间序列中的最新日期。因此：PCis（或相当于PCi，s）是i标记的cryptoAsset在s标记的当天的收盘价；泊松是开盘价；网络钓鱼价格高；价格低廉；Visis美元交易量；CIIS是市值。所有数据均免费下载自https://coinmarketcap.com（见下文）。接下来，我们将每日收益定义为开放至关闭的日内收益：Ris=lnPCI/POI（1） 此处有意使用对数回归（或“连续复合”回归）。对于较小的值，其与标准（“单期”）回报率大致相同，即RIS=PCis/POI- 1（2）然而，平均而言，加密资产的波动性非常大，远大于股票，并且日志回报在某种程度上“平滑”了异常值，因此下面我们使用Ris。与股票不同，加密资产不需要担心“股息”，也就是说，在调整股息价格方面。然而，发行人可以分割其加密资产。因此，Xaurum在2016年8月23日进行了8000比1的远期分割，因此其价格相应下降。不幸地https://coinmarketcap.com不调整拆分的历史价格，并且似乎没有简单的源代码。本文附录a中给出的源代码不是为了“花哨”，也不是为了速度或任何其他方式而优化的。其唯一目的是以简单易懂的方式说明正文中描述的算法。一些重要的法律术语归入附录B。查找历史拆分数据。

幸运的是，为了分析我们的因子模型，这些分割并不重要，因为我们所有的因子都被定义为不受分割影响。请注意，市值和美元交易量不受影响，只有价格受到影响。然而，在我们对任何一天的因子定义中，我们仅使用日内价格，因此也不受影响。在本文中，分割变得重要的唯一地方是当我们绘制价格加权指数时，我们考虑了上述Xaurum分割（见下文）。2.2因子模型因子模型的形式为Ris=KXA=1βiAsfAs+εis（3），其中K是风险因素的数量，fas是K因子回报，ε是剩余，βias是因子负荷。我们在βiAs中包含截距，因此对于给定的日期s，N×K矩阵βiAs包含一列等于单位N向量，我们将其作为βiAs中的第一列。下面，我们将不使用索引，而是用β{name}is表示每一列，其中{name}表示我们引用相应因子的名称：“int”表示截距，“cap”表示大小，“mom”表示动量，“hlv”表示日内高低波动率，“vol”表示成交量。这些是对股票短期因素的直接模拟【Kakushadze，2015年】。我们还考虑另一个二元因素（虚拟变量），我们称之为“mnbl”，基于加密资产是否可开采。为了确定一个给定的因子是否会增加值，如【Fama和MacBeth，1973年】中所述，我们对每个因子使用年化t统计量τa，可使用每日收益率法计算得出，如下所示：τa=√fAσA（4）fA=TTXr=1fA，t+r（5）σA=t- 1TXr=1fA，t+r- fA公司（6） 这里t是计算t统计量的周期的开始，t是所述周期的长度。自始至终，所有时间量都是以天为单位测量的。此外，年化因子√365（与√252股）ascryptoassets全天候交易。

τAis的含义是，它是基于相应因子的时间序列的年化Sharperatio【Sharpe，1994】返回Fas注意，t统计量是一个与地平线相关的量；它按地平线的平方根缩放。（不从平均回报fA中减去任何“基准”回报）。因此，在“零近似”中，τaAbelow 3表示相应的因子是相关的预测因子，τaAbelow 2表示它是一个较差的预测因子。2.2.1截距截距扮演“市场β”的角色：βintis≡ 1（7）中性w.r.t.β指美元中性，即近似的市场中性。2.2.2 Cap（Size）Size是市值βcapis=ln（Ci，s+1）（8）的自然对数，因此，在s日，我们使用前一天的市值，这是100%样本外的市值。2.2.3动量有多种方法可以确定动量因子载荷。出于我们的目的，我们将其定义为前一天的开盘至收盘回报率：βmomis=Ri，s+1（9）。同样，这一定义是完全不含样本的。下面我们还将分析动量（我们称之为mom1、mom2……）使用前一天的前几天定义：βmom1is=Ri，s+2（10）βmom2is=Ri，s+3（11）。（12） 2.2.4日内波动率有多种方法可以确定日内波动系数。

下面我们将使用以下简单定义：βhlvis=ln（Uis）（13）Uis=dhlvdhlvXr=1PHi，s+r- PLi，s+rPCi，s+r！（14） 在【Kakushadze，2015年】中，股票回报使用了价格对数，因为市值是发行在外股票的价格乘以，后者在短期内变化可以忽略不计。加密资产通常也是如此，因此我们可以使用价格而不是市值。然而，考虑到上述分割调整问题，使用市值更为简单。有关其他定义，请参见【Kakushadze，2015年】。为了消除噪音，需要在之前的dhlvdays中求平均值（这是百分之百的抽样）。由于我们在这里处理的是类方差量（而不是类相关性量），因此回顾dhlvdays并没有引入与相关性和基于时间序列的Beta相关的样本不稳定性。下面我们使用值dhlv=20、15、10、5。此外，请注意，（13）是对数熵波动率。这是因为，与波动率的一般情况一样，日内波动率本身（不采用对数）对于高端值具有倾斜的长尾分布，并且，除其他外，作为一个因素，它会对截距产生不利干扰，还会导致非自然倾斜的回归残差εis。2.2.5成交量对于股票而言，每日平均美元成交量是衡量流动性的指标。对于加密资产，情况更为模糊（见下文）。尽管如此，在【Kakushadze，2015】之后，我们将体积系数荷载定义如下：βvolis=lnVis公司（15） Vis=dvoldvolXr=1Vi，s+r（16）回想一下，Visis是每日美元交易量，因此Visis是在s标记的日期之前的DVolds上的平均每日美元交易量（因此它是百分之百的样本外）。下面我们使用值dvol=20、15、10、5、3、1。对于dvol=1，我们有前一天的美元交易量。

将其包括在内的原因将在下文中明确。2.2.6“可开采”DummySome有些加密资产可开采，有些则不可开采。因此，自然会考虑如下定义的二元因素加载（尽管事先不清楚为什么会对每日收益产生影响）：βmnblis=（1如果可开采，0如果不可开采（17）。该因素加载独立于时间指数s，仅取决于i.2.3估计期和UniverseWe下载的数据https://coinmarketcap.com对于2018年8月19日的所有加密资产（因此数据中最近的日期是2018年8月18日），其编号为1855。其中，1851年有可下载的数据，尽管在许多不同的领域都有“？”，我们将其转换为NAs。附录A给出了更详细的数据下载和运行因子回归的源代码。看似大量的加密资产，任何合理天数的有用数据只存在于其中的一小部分。为了能够运行我们的回归（见下文），我们只保留了具有非NA价格（开盘、收盘、高、低）、交易量和市值数据的加密资产，另外还有一个不允许空白交易量的过滤器（以避免陈旧价格的污染）。自2018年8月18日（含8月18日）起，只有362家拥有此类资产的加密资产，回溯时间为365+20+1天（即，1年“填充”后再加上21天，以便能够计算出样本外的20天移动平均数），129家加密资产（即，2年“填充”后再加上21天），当过滤器应用于3×365+20+1天时，只有66个加密资产（即3年加上额外的21天）。因此，横截面相当“薄”，远没有股票那么丰富。