Парный алгоритм на основе ESG для устойчивой торговли: анализ индийского рынка
Ишаан Датта, Сартхак Диван, Сиддхартха П. Чакрабарти · Департамент математики, Индийский технологический институт Гувахати · 26 января 2024
Оригинал: Dutta, E., Diwan, S., Chakrabarty, S. P. «ESG driven pairs algorithm for sustainable trading: Analysis from the Indian market», 2024 — arxiv.org/abs/2401.14761 (PDF).
Рисунки и таблицы воспроизведены из оригинальной публикации. Оригинал распространяется по лицензии CC BY 4.0; перевод выполнен на её условиях, изменение по отношению к оригиналу — перевод на русский язык.
Ключевые слова: ESG, парный трейдинг, устойчивое инвестирование.
Аннотация
В работе предлагается фреймворк алгоритмической торговли, объединяющий рейтинги ESG (экологические, социальные и управленческие факторы) со стратегией парного трейдинга. Он отвечает на запрос о социально ответственных инвестиционных решениях, предлагая оригинальный алгоритм, который совмещает данные ESG с методами выявления коинтегрированных акций. Это позволяет отбирать прибыльные пары, соответствующие принципам ESG. Далее для оптимального исполнения сделок в рамках этой концепции устойчивости привлекаются технические индикаторы. Обширное тестирование на исторических данных даёт свидетельства эффективности модели: она стабильно генерирует положительную доходность, превышающую результаты обычных стратегий парного трейдинга, при соблюдении принципов ESG. Это открывает путь к преобразующему подходу в алгоритмической торговле и предлагает выводы для инвесторов, регуляторов и исследователей.
1. Введение
В мире, который становится всё более взаимосвязанным и сталкивается с вызовами изменения климата, долгосрочное выживание и успех компании зависят от факторов за пределами традиционных метрик финансовой результативности. Соответственно, соображения ESG выдвинулись в число ключевых драйверов устойчивой результативности фирм — не только с точки зрения инвестиционных решений и управления рисками, но и с точки зрения потребительских предпочтений и регуляторных практик, а всё это в конечном счёте сказывается на репутации и жизнеспособности деятельности фирмы [13]. В основе ESG-позиции фирмы лежит охват экологического воздействия, которое может быть отнесено на счёт самой фирмы и её стейкхолдеров, а также вытекающих отсюда практик корпоративного управления. В этом контексте особое внимание уделяется экологическому измерению, включая углеродный след, потребление и использование энергии, а также усилия по управлению выбросами, сокращению отходов и сохранению природных ресурсов.
Чтобы обеспечить осязаемую оценку результативности фирмы по ESG, в части экологической компоненты можно использовать такие метрики, как потребление энергии на единицу продукции, объём выбросов парниковых газов и уровень переработки, а также усилия по сохранению ресурсов [14]. Социальное измерение ESG подчёркивает отношения фирмы со стейкхолдерами — как внутренними (этичные практики на рабочем месте, разнообразие и инклюзивность), так и внешними (взаимодействие с местным сообществом и благотворительная деятельность). Здесь применимы такие метрики, как текучесть кадров, безопасность труда, удовлетворённость клиентов и вовлечённость сообщества [12]. Наконец, по критерию надлежащего управления фирму можно оценивать через индексы разнообразия, рейтинги корпоративного управления и показатели соблюдения регуляторных требований.
Рыночные инструменты — схемы торговли квотами, углеродные налоги и углеродные деривативы — стимулируют сокращение выбросов парниковых газов. Схемы торговли квотами работают через установление потолка выбросов и выпуск торгуемых разрешений, которыми фирма может торговать в зависимости от уровня своих выбросов. Это позволяет сокращать выбросы гибко и экономически эффективно [6]. Проблемы избыточного распределения разрешений, ведущего к падению цен, решаются механизмами вроде Резерва рыночной стабильности Системы торговли выбросами Европейского союза (EU ETS), который сокращает избыточное предложение разрешений [7].
Социальная цена углерода, называемая также углеродным налогом или ценой углерода, — это налог на выбросы за тонну CO₂ [10]. Уровень налога стимулирует переход к низкоуглеродным вариантам во всех секторах. Примеры успешных инициатив по углеродному налогу существуют в скандинавских странах: Швеция ввела углеродный налог в 1991 году, охватив им около половины своих выбросов. Конструкция налога балансирует сокращение выбросов, конкурентоспособность и социальные эффекты. Доходы от углеродного налога также могут приносить дополнительные экологические и экономические выгоды.
Кроме того, углеродные деривативы помогают фирмам хеджировать риски колебаний цены углерода, порождаемых рыночными инструментами. Европейские компании, охваченные EU ETS, используют фьючерсы и опционы на квоты EU Allowances (EUA), чтобы обеспечить определённость цены на периоды соответствия требованиям [8]. По мере внедрения углеродного ценообразования всё большим числом стран рынки углеродных деривативов, вероятно, будут расти, хотя проблемы прозрачности, регулирования и ликвидности сохраняются. В целом эти гибкие подходы мобилизуют частный капитал в необходимые низкоуглеродные инвестиции — что и послужило источником настоящей работы.
2. Анализ данных и отбор активов
В этом разделе описывается источник данных и их анализ, а затем излагается подход к отбору активов (акций) для включения в портфель. Данные ESG по фирмам индийского рынка получены из онлайн-репозитория CSRHub [3]. Этот обширный набор данных включает помесячные исторические записи ESG по большому числу фирм вместе с информацией об отраслях, к которым фирмы принадлежат, что даёт детальное представление о применяемых ими практиках ESG. В частности, наша работа по извлечению и сведению данных дала в общей сложности 133 уникальных отраслевых сектора и 1392 уникальные фирмы. Ключевая статистика по итогам анализа:
- Средний балл ESG по всем фирмам составил примерно 56,46.
- Средний балл ESG по всем отраслям составил примерно 54,91.
- Из 1392 проанализированных фирм 570 не имели зафиксированных баллов ESG.
- Фирма с наивысшим баллом ESG — FLEX-FOODS-LIMITED, с идеальным результатом 100,0.
- Фирма с наименьшим баллом ESG — Tide-Water-Oil-India-Co-Ltd, с баллом 0 (что, впрочем, может означать и отсутствие зафиксированного балла).
Гистограмма распределения баллов ESG приведена на рисунке 1, из которого следует:
- Значительное число фирм имеет баллы ESG в диапазоне примерно от 40 до 80.
- Есть пик около значения 84, за которым следует спад. При этом несколько фирм достигают идеальных баллов.
- Фирм с очень низкими баллами ESG меньше, при небольшом росте числа фирм с баллами около нуля (что, возможно, объясняется отсутствием данных).
Рисунок 1 — смотреть в оригинале (PDF)
Тренды средних баллов ESG представлены на рисунке 2, откуда мы заключаем:
- Баллы ESG в целом демонстрируют восходящий тренд, указывая, что в среднем фирмы со временем улучшают свои показатели ESG.
- Наблюдаются некоторые колебания, но общая траектория выглядит положительной.
- Финальный провал, возможно, вызван добавлением новых данных в 2023 году.
Рисунок 2 — смотреть в оригинале (PDF)
Наконец, пять лучших и пять худших отраслей по баллам ESG приведены в таблицах 1 и 2 соответственно.
| Отрасль | Средний отраслевой балл ESG |
|---|---|
| Производство электрооборудования; архитектурные, инженерные и смежные услуги | 98,7440 |
| Электронное оборудование и КИП; энергетическое оборудование и услуги | 96,4656 |
| ИТ и сетевые услуги; услуги поддержки бизнеса | 96,3444 |
| Производство; производство электрооборудования | 91,2384 |
| Тяжёлое и гражданское строительство; электронное оборудование и КИП; машиностроение | 90,0116 |
| Отрасль | Средний отраслевой балл ESG |
|---|---|
| Лесное хозяйство и рыболовство | 1,085000 |
| Промышленные конгломераты; архитектурные, инженерные и смежные услуги; аэропорты, портовые операции и логистика | 3,950000 |
| Электронное оборудование и КИП; производство бытовой техники; добыча нефти и газа | 6,538333 |
| Товары личной гигиены | 8,467857 |
| Бухгалтерские, налоговые и расчётные услуги | 16,147500 |
Для отбора активов в этой работе применяются две различные методологии отбора акций с использованием баллов ESG.
Подход 1:
- Категоризация фирм по соответствующим отраслям.
- Вычисление среднего балла ESG для всех фирм внутри каждой отрасли на конкретный момент времени.
- В каждой отраслевой группе выявляется фирма с наивысшим баллом ESG на этот момент.
- Рассматриваются только фирмы, чей балл ESG превышает пороговый параметр $\zeta$ (зависящий от значения ESG, определённого на предыдущем шаге).
Подход 2:
- Оценка балла ESG каждой фирмы относительно среднего балла её отрасли.
- Отбор фирм, которые превосходят отраслевое среднее по баллам ESG на заданную величину $\xi$.
Акции, отобранные по указанным подходам, далее именуются «вселенной акций» (stock universe) и используются для последующего построения портфеля.
3. Методология
В этом разделе мы сосредоточимся на выявлении пар акций для парного трейдинга — стратегии, фундаментально опирающейся на понятия возврата к среднему и стационарности. Первое означает склонность значений временного ряда возвращаться к среднему, второе описывает ситуации, когда статистические свойства не меняются во времени. В работе применяются четыре теста: тесты на единичный корень, тест коинтеграции Энгла — Грейнджера, показатель Хёрста и тест на период полураспада.
Тест на единичный корень. Выбран расширенный тест Дики — Фуллера (ADF), назначение которого — установить наличие единичного корня в ряду, что означало бы нестационарность. Если статистика ADF отрицательнее критического значения (по таблице Дики — Фуллера), это указывает на стационарность ряда; если менее отрицательна — на нестационарность [2].
Тест коинтеграции Энгла — Грейнджера [5] описывает полноценную методологию установления коинтеграции двух временных рядов, реализуемую в два шага. На первом шаге методом наименьших квадратов (OLS) определяется коэффициент линейной зависимости, предполагаемой между двумя рядами. На втором шаге остаток этой линейной зависимости проверяется на стационарность; если она выполняется, это означает коинтеграцию двух рядов.
Показатель Хёрста. Для ценового ряда можно количественно определить скорость ценовой диффузии. Если логарифмический ценовой ряд не демонстрирует геометрического броуновского движения, то в зависимости от показателя Хёрста можно заключить, проявляет ли ряд возврат к среднему (антиперсистентность), некоррелированность или трендовость (персистентность) [2].
Период полураспада возврата к среднему указывает время, за которое ряд возвращается к своему среднему уровню [2]. Приняв модель возврата к среднему с соответствующим фактором возврата, можно заключить о наличии возврата (экспоненциального затухания) в зависимости от того, положителен ли фактор возврата (отрицателен). Более того, скорость возврата к среднему обратно пропорциональна модулю фактора возврата.
4. Торговая стратегия на основе APO
В этом разделе представлена наша торговая стратегия на основе абсолютного ценового осциллятора (Absolute Price Oscillator, APO) [5] — подхода, применяемого для выявления потенциальных торговых возможностей исходя из ценового моментума активов. Стратегия использует разность между быстрой и медленной экспоненциальными скользящими средними (EMA) для определения точек входа и выхода. Растущий APO указывает на бычий моментум, падающий — на медвежий. Первый шаг стратегии — отбор пар, описанный ниже и сведённый в алгоритм 1.
A. Снижение размерности. Этот шаг включает обработку финансовых данных для нахождения компактного представления каждой бумаги. Снижение размерности критично при работе с большими наборами данных: оно уменьшает вычислительную нагрузку, сохраняя при этом наиболее значимые признаки, определяющие изменчивость данных. Могут применяться методы вроде анализа главных компонент (PCA) или сингулярного разложения (SVD); в этой работе используется PCA.
B. Кластеризация методом OPTICS. После снижения размерности применяется алгоритм кластеризации для группировки схожих точек. OPTICS (Ordering Points To Identify the Clustering Structure) [1] справляется с различными плотностями и устойчив к выбросам, что делает его подходящим для финансовых данных, где такие особенности типичны. Этот шаг организует бумаги в кластеры по их схожести в пространстве пониженной размерности.
C. Формирование пар. После формирования кластеров финальный шаг — отбор всех возможных комбинаций пар внутри каждого кластера. Поскольку бумаги внутри кластера схожи по выбранным метрикам и измерениям, они являются вероятными кандидатами для парного трейдинга. Полученные пары затем оцениваются по их торговому потенциалу — обычно через метрики вроде коинтеграции, возврата к среднему и других статистических мер, значимых для парных стратегий [11].
Алгоритм 1. Кластеризация на основе PCA
- процедура «Каркас отбора пар»
- Снижение размерности: применить метод для нахождения компактного представления каждой бумаги.
- Кластеризация методом OPTICS: применить алгоритм OPTICS для выявления кластеров схожих точек.
- Формирование пар: отобрать все возможные комбинации пар внутри каждого кластера.
- Выход: кластеры, указывающие на потенциальные пары для торговли.
- конец процедуры
На втором шаге мы вводим стратегию торговли спредом по APO, использующую разницы спреда между двумя коррелированными активами. Алгоритм вычисляет коэффициент хеджирования для формирования ряда спреда, который затем анализируется на предмет торговых сигналов по APO [4]. Этот метод даёт систематический подход к парному трейдингу, опирающийся на принципы возврата к среднему. Он использует статистические методы для формирования хеджирующей позиции между двумя активами, стремясь получить прибыль от схождения их ценовых рядов. Непрерывно отслеживая спред APO, стратегия может адаптироваться к движениям рынка, что делает её динамическим инструментом для трейдера. Детали подхода приведены в алгоритме 2.
Алгоритм 2. Стратегия торговли спредом по APO
Вход: данные по двум активам $S_1$ и $S_2$, порог покупки, порог продажи. Выход: торговые сигналы для парного трейдинга.
- процедура ВычислитьКоэффициентХеджирования(data1, data2)
- model ← регрессия OLS (data1, data2)
- вернуть model.params[1]
- процедура Инициализация(fast, slow)
- hedge_ratio ← ВычислитьКоэффициентХеджирования($S_1$, $S_2$)
- spread ← $S_1 - $ hedge_ratio $\times S_2$
- fast_ema ← EMA(spread, fast); slow_ema ← EMA(spread, slow)
- apo_spread ← fast_ema − slow_ema; position ← 0
- процедура Шаг(порог покупки, порог продажи)
- если apo_spread < порог покупки то купить $S_1$ и открыть короткую позицию по $S_2$
- иначе если apo_spread > порог продажи то открыть короткую позицию по $S_1$ и купить $S_2$
5. Результаты
Для эмпирического анализа наш набор данных охватывает выборку акций, торгуемых на Национальной фондовой бирже Индии (NSE) [9]. На начальном этапе сбора данных мы столкнулись с типичной проблемой разреженности и неоднородности, что потребовало тщательной очистки. Мы следили за тем, чтобы для дальнейшего анализа сохранялись только акции с полным и согласованным набором исторических данных, исключая бумаги, способные внести смещение или неточность из-за неполноты информации. После очистки был применён ESG-фильтр и отобраны только те фирмы, что показали превосходящие отраслевое среднее результаты по ESG. Итоговый набор данных представляет собой сбалансированную панель акций, одновременно репрезентативную для рынка и отражающую высокие стандарты устойчивости. Этот набор составляет основу нашего анализа, гарантируя, что стратегия парного трейдинга и финансово обоснована, и этически ответственна. Наконец, при тестировании использовалась комиссия 0,1%.
Результаты на обучающей выборке приведены в таблице 3. Из неё видно, что пары с высоким коэффициентом Шарпа и низкими просадками — такие как GESHIP / SOMANYCERA и BAJAJELEC / GSPL — в целом предпочтительнее, поскольку означают эффективную доходность с поправкой на риск при меньших падениях. Пары с высокой доходностью, но и высокими просадками, такие как CCL / SSWL и ADANIPORTS / ASHOKLEY, возможно, дали хорошую доходность, но при более высоком уровне риска. Согласованность результатов между обучением и тестом критична для валидации любой торговой стратегии, поэтому важно сопоставлять эти результаты с вневыборочными.
| Актив 1 | Актив 2 | Шарп (обуч.) | Просадка (обуч.) | Доходность (обуч.) |
|---|---|---|---|---|
| GOKEX | PETRONET | 0,5716 | 0,0000 | 18,5213 |
| JINDALPOLY | RCOM | 0,6804 | 0,4312 | 24,9551 |
| RADICO | TATAELXSI | 0,6107 | 0,6194 | 20,4039 |
| CENTRALBK | MRPL | 0,6548 | 0,6935 | 15,4413 |
| JINDALPOLY | MMTC | 0,6393 | 0,9320 | 23,6378 |
| DCBBANK | JSWENERGY | 0,5750 | 1,4613 | 20,4349 |
| CENTRALBK | ENGINERSIN | 0,6737 | 1,6708 | 9,8932 |
| DCBBANK | SOUTHBANK | 0,5613 | 1,8784 | 21,6379 |
| GOKEX | GOCLCORP | 0,5239 | 1,9633 | 14,7174 |
| BAJAJ-AUTO | ITC | 0,7972 | 12,7331 | 19,2181 |
| BAJAJHLDNG | MAHSCOOTER | 0,6238 | 14,1017 | 18,3774 |
| GHCL | SSWL | 0,7697 | 16,7510 | 13,4474 |
| DCBBANK | ENGINERSIN | 0,5185 | 2,1551 | 18,4253 |
| BAJAJELEC | RADICO | 0,7588 | 2,1763 | 23,9585 |
| HDFCBANK | KOTAKBANK | 0,6458 | 2,3241 | 9,0718 |
| BAJAJELEC | GSPL | 0,9368 | 3,0490 | 21,8646 |
| BALRAMCHIN | IIFL | 0,5144 | 3,3268 | 16,7721 |
| GESHIP | SOMANYCERA | 1,1106 | 3,5970 | 19,3314 |
| INDIANB | MRPL | 0,5213 | 30,1832 | 19,3686 |
| ADANIPORTS | ASHOKLEY | 0,5948 | 30,3840 | 13,4715 |
| BALRAMCHIN | JKTYRE | 0,6734 | 4,1314 | 22,9861 |
| HGS | MANAPPURAM | 0,5235 | 4,3003 | 23,6353 |
| CCL | SSWL | 0,5794 | 45,8747 | 13,4428 |
| INDUSINDBK | SHRIRAMFIN | 0,5808 | 6,7566 | 23,2811 |
| CENTRALBK | NCC | 0,5740 | 7,8748 | 12,0443 |
Широкий разброс коэффициентов Шарпа и тестовой доходности указывает, что результативность существенно различается между парами. Из таблицы 4 видно, что пары вроде RADICO / TATAELXSI и ADANIPORTS / ASHOKLEY показывают высокий Шарп и положительную доходность, то есть хорошо отработали на тестовом периоде. С другой стороны, пары вроде CENTRALBK / ENGINERSIN и INDIANB / MRPL с отрицательным Шарпом и доходностью говорят о неудовлетворительном результате.
| Актив 1 | Актив 2 | Шарп (тест) | Просадка (тест) | Доходность (тест) |
|---|---|---|---|---|
| GOKEX | PETRONET | −0,8136 | 194,0331 | — |
| JINDALPOLY | RCOM | 0,1746 | 0,5390 | 2,3736 |
| RADICO | TATAELXSI | 2,3859 | 0,0000 | 7,4691 |
| CENTRALBK | MRPL | 0,0104 | 3,3137 | 1,1331 |
| JINDALPOLY | MMTC | 0,1447 | 3,2516 | 1,7674 |
| DCBBANK | JSWENERGY | −0,0275 | 15,0868 | −2,9384 |
| CENTRALBK | ENGINERSIN | −6,6027 | 0,2840 | 0,1121 |
| DCBBANK | SOUTHBANK | −0,7268 | 2,9508 | 0,4989 |
| GOKEX | GOCLCORP | −0,9397 | 177,5813 | — |
| BAJAJ-AUTO | ITC | −0,8490 | 13,0009 | −3,4101 |
| BAJAJHLDNG | MAHSCOOTER | −0,3883 | 17,6147 | −6,6273 |
| GHCL | SSWL | 1,4122 | 0,5998 | 7,2819 |
| DCBBANK | ENGINERSIN | −0,5181 | 0,2315 | 0,5511 |
| BAJAJELEC | RADICO | 0,8062 | 3,5841 | 6,4714 |
| HDFCBANK | KOTAKBANK | −0,3050 | 5,9456 | 0,5962 |
| BAJAJELEC | GSPL | 2,5906 | 0,0000 | 7,0640 |
| BALRAMCHIN | IIFL | 0,4547 | 0,3986 | 3,9414 |
| GESHIP | SOMANYCERA | −0,7121 | 38,4214 | −11,6323 |
| INDIANB | MRPL | −1,0069 | 17,9628 | −3,5252 |
| ADANIPORTS | ASHOKLEY | 5,5966 | 8,1725 | 7,4305 |
| BALRAMCHIN | JKTYRE | −0,3629 | 11,4830 | −4,4709 |
| HGS | MANAPPURAM | 0,2499 | 1,4495 | 0,5723 |
| CCL | SSWL | 5,7691 | 3,2371 | 11,1632 |
| INDUSINDBK | SHRIRAMFIN | 3,6843 | 0,5587 | 8,5831 |
| CENTRALBK | NCC | н/д | 0,0000 | 0,0000 |
Значения коинтеграции показывают, насколько сильно пары связаны в долгосрочной перспективе. Из таблицы 5 следует, что пары вроде BALRAMCHIN / IIFL или DCBBANK / SOUTHBANK коинтегрированы сильнее, то есть с большей вероятностью движутся вместе во времени. Более низкие значения, как у GOKEX / GOCLCORP или BAJAJHLDNG / MAHSCOOTER, говорят о более слабой коинтеграции и меньшей предсказуемости совместного движения.
| Актив 1 | Актив 2 | Коэф. хеджирования | Коинтеграция | Период полураспада | Пересечений |
|---|---|---|---|---|---|
| GOKEX | PETRONET | 0,0266 | 0,0270 | 154,6689 | 17 |
| JINDALPOLY | RCOM | −0,2093 | 0,3778 | −3108,3293 | 6 |
| RADICO | TATAELXSI | 0,1881 | 0,7027 | 511,3864 | 3 |
| CENTRALBK | MRPL | 0,6533 | 0,3883 | 165,3586 | 10 |
| JINDALPOLY | MMTC | 0,0082 | 0,2972 | 304,7383 | 12 |
| DCBBANK | JSWENERGY | 0,5206 | 0,6992 | 90,1140 | 33 |
| CENTRALBK | ENGINERSIN | 0,7560 | 0,5032 | 175,0639 | 16 |
| DCBBANK | SOUTHBANK | −0,0049 | 0,7776 | 4966,0117 | 22 |
| GOKEX | GOCLCORP | 0,0577 | 0,0055 | 62,4343 | 43 |
| BAJAJ-AUTO | ITC | 8,3471 | 0,3522 | 183,9925 | 21 |
| BAJAJHLDNG | MAHSCOOTER | 0,7121 | 0,0035 | 80,9430 | 22 |
| GHCL | SSWL | 2,4861 | 0,1172 | 337,4438 | 10 |
| DCBBANK | ENGINERSIN | 0,4730 | 0,5506 | 178,8774 | 15 |
| BAJAJELEC | RADICO | 0,9440 | 0,0180 | 198,7051 | 17 |
| HDFCBANK | KOTAKBANK | 0,7478 | 0,0009 | 81,9989 | 19 |
| BAJAJELEC | GSPL | 1,8355 | 0,2210 | 311,5972 | 9 |
| BALRAMCHIN | IIFL | 0,2224 | 0,8221 | 289,8524 | 13 |
| GESHIP | SOMANYCERA | 0,1787 | 0,0192 | 131,8533 | 12 |
| INDIANB | MRPL | 2,6927 | 0,0561 | 188,8532 | 22 |
| ADANIPORTS | ASHOKLEY | 2,2631 | 0,3997 | 442,6782 | 7 |
| BALRAMCHIN | JKTYRE | 0,4465 | 0,8090 | 367,8877 | 5 |
| HGS | MANAPPURAM | 1,2358 | 0,1436 | 649,1161 | 7 |
| CCL | SSWL | 2,8661 | 0,6521 | 440,5626 | 10 |
| INDUSINDBK | SHRIRAMFIN | 1,8646 | 0,0073 | 44,4288 | 41 |
| CENTRALBK | NCC | 0,3387 | 0,6469 | 353,2915 | 5 |
Наконец, различные выводы о данных можно сделать по диаграммам размаха. Диаграмма для коэффициентов Шарпа (рисунок 3) показывает медиану вблизи нуля при широком межквартильном размахе и выбросах в обе стороны, что означает смесь пар как с высокой, так и с низкой доходностью с поправкой на риск. Диаграмма просадок (рисунок 4) показывает низкую медиану при концентрации основной массы данных в узком диапазоне, что говорит о согласованной потенциальной просадке между парами — при наличии, впрочем, заметных выбросов с высокой просадкой. Диаграмма доходностей (рисунок 5) демонстрирует концентрацию пар со скромной медианной доходностью, узкий межквартильный размах и несколько исключительных выбросов.
Рисунок 3 — смотреть в оригинале (PDF)
Рисунок 4 — смотреть в оригинале (PDF)
Рисунок 5 — смотреть в оригинале (PDF)
6. Заключение и направления дальнейшей работы
В работе представлен алгоритм парного трейдинга, объединяющий меры ESG для устойчивого отбора активов. Количественные методы — коинтеграция, возврат к среднему и снижение размерности — совмещены с подходом торговли спредом по APO для алгоритмического выявления пар и торговли ими. Хотя тесты на исторических данных показывают различия между обучающими и тестовыми результатами, отдельные лучшие пары демонстрируют сильные сигналы, интеграцию и положительную доходность с поправкой на риск на обоих периодах, что указывает на осуществимость подхода в реальной торговле. В целом исследование связывает этичное инвестирование и статистический арбитраж, предлагая каркас, пригодный для работы на рынках при соблюдении ценностей устойчивого развития.
Дальнейшая работа предполагает применение стратегии к высокочастотным данным, чтобы выявить больше торговых возможностей и понять краткосрочные движения цены, несмотря на возросшую сложность. Дополнительные методы снижения размерности, такие как t-SNE, могли бы выявить новые закономерности, упущенные PCA. Изучение алгоритмов кластеризации помимо OPTICS может дать свежие соображения и альтернативные пары. Подходы машинного обучения могли бы динамически определять точки входа и выхода, адаптируя стратегию к меняющимся рынкам. Модель могла бы также учитывать другие факторы результативности — макроэкономические индикаторы, показатели настроений или более тонкие метрики ESG. Резюмируя: интеграция высокочастотных данных, новых техник снижения размерности и кластеризации, а также продвинутого машинного обучения обещает адаптивную и устойчивую стратегию, согласующую финансовые цели с целями устойчивого развития.
Заявление об интересах
Авторы заявляют об отсутствии известных конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на представленную работу.
Литература
- [1] M. Ankerst, M. M. Breunig, H.-P. Kriegel, J. Sander, OPTICS: Ordering points to identify the clustering structure, ACM SIGMOD Record 28(2) (1999) 49–60. ↑
- [2] E. Chan, Algorithmic Trading: Winning Strategies and Their Rationale, том 625, John Wiley & Sons, 2013. ↑
- [3] CSRHub, рейтинги корпоративной социальной ответственности и устойчивости, csrhub.com, 2023. ↑
- [4] S. Donadio, S. Ghosh, Learn Algorithmic Trading, Packt Publishing, 2019. ↑
- [5] R. F. Engle, C. W. J. Granger, Co-integration and error correction: representation, estimation, and testing, Econometrica (1987) 251–276. ↑
- [6] European Commission, EU Emissions Trading System (EU ETS). ↑
- [7] M. Hellmich, R. Kiesel, Carbon Finance: A Risk Management View, World Scientific, 2021. ↑
- [8] International Swaps and Derivatives Association, Role of derivatives in carbon markets. ↑
- [9] National Stock Exchange of India, nseindia.com, 2023. ↑
- [10] T. Roncalli, Handbook of Sustainable Finance, SSRN, 2022. ↑
- [11] S. M. Sarmento, N. Horta, A Machine Learning based Pairs Trading Investment Strategy, Springer, 2021. ↑
- [12] UN Principles for Responsible Investment, Climate change and the just transition: a guide for investor action, 2018. ↑
- [13] World Business Council for Sustainable Development, Reporting Matters 2020. ↑
- [14] World Resources Institute, State of Climate Action 2022. ↑
Оригинал статьи: Dutta, E., Diwan, S., Chakrabarty, S. P., «ESG driven pairs algorithm for sustainable trading: Analysis from the Indian market», arXiv:2401.14761 · лицензия CC BY 4.0