Coeficiente de regresión y estrategia comercial básica

Question

Puede que esta pregunta sea muy básica, pero aún así no he podido encontrar una respuesta satisfactoria en ningún sitio. Quiero analizar el efecto de un evento repetido (publicación de datos) sobre el precio de un activo específico (tengo datos diarios) mediante regresión (con un modelo GARCH para la volatilidad). Ya he realizado un estudio de eventos, pero me gustaría ver un enfoque diferente.

Así que hago una regresión lineal explicando $R_{t+1}$ con varios regresores: rentabilidad retardada $R_{t}$ variable exógena $E_{t}$ y la puntuación z de los datos publicados $Z_{t}$ (igual a 0 en los días de no liberación). Por el bien del argumento, supongamos que los coeficientes de regresión son todos significativos.

Mi pregunta es: ¿cómo puedo utilizar estos resultados para construir una estrategia de negociación básica? Hasta ahora se me ocurren tres enfoques, pero me gustaría saber si alguno/todos son erróneos/inútiles/buenos :

• Utilizar el coeficiente de la rentabilidad retardada para construir el seguimiento de la tendencia básica (si el coeficiente es > 0 ) o la reversión de la media (si es < 0).
• Utilizando el coeficiente de la puntuación z de los datos para determinar si un valor positivo tiene un efecto positivo o negativo en la rentabilidad. Entonces, para los datos futuros, si el coeficiente es positivo, entonces si $Z_{t}$ es positivo, vaya en largo, de lo contrario vaya en corto.
• Utilizando todos los coeficientes para pronosticar posteriormente el valor de $R_{t+1}$ e invertir en consecuencia.

¿Estas formas de interpretar los resultados de la regresión desde el punto de vista de la inversión son erróneas o correctas? ¿Existen otras?

Answer 1

Daré una respuesta centrada en el aspecto econométrico de la pregunta. (Aunque podría estar pasando por alto algunas ideas básicas de finanzas).

Si cada regresor diferente no está correlacionado con ninguna combinación lineal de los demás regresores, entonces cada una de las estrategias podría funcionar y parecer razonable dentro del modelo dado. Sin embargo, centrarse en el efecto de una sola variable es menos eficiente que centrarse en todos los efectos juntos, por lo que el último enfoque debería dominar a los anteriores. (No obstante, hay una advertencia, que es el sobreajuste si se utiliza la estimación MCO sin regularización/contracción).

Si los distintos regresores están (algo altamente) correlacionados con alguna combinación lineal de otros regresores, los dos primeros enfoques podrían dominarse estimando regresiones simples que omitieran todas las variables excepto los regresores de interés. Aunque esto puede parecer extraño en el contexto de la modelización explicativa (¿por qué omitir los regresores relevantes y obtener así estimaciones incoherentes?), en realidad funciona en la modelización predictiva; véase, por ejemplo, la entrada del blog de F. X. Diebold sobre la denominada "coherencia predictiva": "Causalidad y consistencia T frente a correlación y consistencia P" . En cualquier caso, estos enfoques seguirían dominados por el tercero (utilizar la predicción del modelo completo) (pero, de nuevo, se aplica la misma advertencia).

Answer 2

Podría utilizar el modelo GARCH como filtro - ajuste (quizás con alguna parte AR/MA/ARIMA) y en un segundo paso construir un modelo de regresión entre los residuos obtenidos y Z(t) variable.

¿Cree que el impacto de Z(t) ¿es aditivo o multiplicativo frente a los residuos del modelo GARCH?

err(t) = e(t)*sigma(t) + Z(t)
o
err(t) = e(t)*sigma(t)*Z(t)
o quizás
err(t)=e(t)*sigma(t)+Z(t)*sigma(t) ?

El tercer caso me parece el más adecuado y se puede tratar con el enfoque anterior.