¿Cómo mejorar la consistencia de las estadísticas de la varianza explicada en un modelo de equidad lineal?

Question

Tengo un modelo lineal de rentabilidad de la renta variable intradía que, en general, muestra buenos valores en términos de $R^2$ , el valor p y otros estadísticos de la varianza explicada. Alrededor del 70% de los valores muestran parámetros de R-cuadrado (en el rango del 5% explicado) y de significación consistentes, pero el 30% restante ha degradado $R^2$ y los valores p.

¿Ayudaría incluir la beta, la liquidez y los rendimientos del sector en el modelo para tener una $R^2$ ¿en todas las acciones?

Answer 1

Ya que mencionas la beta, asumo que estás familiarizado con el modelo de valoración de activos de capital (CAPM). El concepto es que los rendimientos esperados de un activo están correlacionados linealmente con los rendimientos del mercado. Por supuesto, hay otras formas de "normalizar" los rendimientos, como tú dices. Podemos ampliar el CAPM con Fama-French que añade a la ecuación la capacidad de mercado y el valor relativo.

En el ámbito de arbitraje estadístico La neutralidad sectorial es muy común. Los valores se comparan con sus pares del sector o de la industria. Una dimensión añadida es la afiliación a una región o país, si se trata de operar a nivel mundial.

Luego está teoría de los precios de arbitraje (APT), que define el precio de un activo en función de numerosos factores posibles. Yo no lo llamaría "estado del arte", pero adopta una visión más realista del valor razonable. Tendrá que definir sus propios factores, que puede seleccionar mediante el análisis fundamental o el análisis de componentes principales. También puede comprar productos comerciales modelos de riesgo de numerosos vendedores. En este caso, es posible que tenga que equilibrar las acciones dentro de la cartera en función de su exposición a cosas como los tipos de interés o el precio del petróleo.

Answer 2

Cuando se trata de predecir los rendimientos, creo que nunca hay que fijarse en las estadísticas dentro de la muestra, como el R-cuadrado. Sólo hay que fijarse en los resultados de predicción fuera de la muestra. La validación cruzada es una herramienta útil al menos en la fase inicial de la modelización.

Además del exceso de entusiasmo, las estadísticas dentro de la muestra conducen fácilmente a un exceso de ajuste: http://www.portfolioprobe.com/2011/03/28/the-devil-of-overfitting/

Answer 3

Le sugiero que busque características comunes entre el 70% de las acciones con $R^2$ y el 30% con un ajuste degradado en la muestra. Si descubre que todos los valores que mejor se ajustan a su modelo pertenecen a un sector y todos los que no se ajustan a él pertenecen a otro, es posible que su modelo esté detectando un efecto sectorial. Controlar explícitamente el sector/industria como parte de su modelo, ya sea imponiendo la neutralidad del sector en las ponderaciones de una hipotética cartera de pruebas retrospectivas o incluyéndolo como un factor adicional en el modelo lineal, puede revelar lo que realmente está sucediendo.

En resumen, estos modelos pueden ser bastante complicados, y no hay ningún atajo que evite hacer el trabajo sucio y profundizar en un montón de casos específicos para aprender más sobre lo que su modelo está haciendo realmente.