Systematic multi-assets arbitrage strategies and use of heterogeneous data
Stratégies d’arbitrage systématique multi-classes d'actifs et utilisation de données hétérogènes
Résumé
Financial markets evolve more or less rapidly and strongly to all kind of information depending on time period of study. In this context, we intend to measure a broad set of information influence on systematic multi-assets classes “euro neutral” arbitrage portfolios either for “naive” diversification and optimal diversification. Our research focuses on systematic tactical asset allocation and we group these information under the name of heterogeneous data (market data and “other market information”). Market data are “end of day” asset closing prices and “other market information” gather economic cycle, sentiment and volatility indicators. We assess the influence of a heterogeneous data combination on our arbitrage portfolios for a time period including the subprimes crisis period and thanks to data analysis and quantization algorithms. The impact of a heterogeneous data combination on our arbitrage portfolio is materialized by increasing return, increasing return/volatility ratio for the post subprimes crisis period, decreasing volatility and asset class correlations. These empirical findings suggest that “other market information” presence could be an element of arbitrage portfolio risk diversification. Furthermore, we investigate and bring empirical results to Blitz and Vliet (2008) issue on global tactical asset allocation (GTAA) by considering “predictive” variables with a systematic market timing process integrating heterogeneous data thanks to a quantitative data processing.
Les marchés financiers évoluent plus ou moins rapidement et fortement au gré des différents types d’information diffusés au cours des périodes d’étude. Dans ce contexte, nous cherchons à mesurer l’influence de tous types d’information sur des portefeuilles d’arbitrage systématique « euro neutres » multi-classes d’actifs, issus soit d’une diversification « naïve » (« 1/N ») soit d’une diversification optimale. Dans le cadre de nos recherches sur l’allocation tactique systématique, ces divers flux informationnels sont regroupés sous le terme de données hétérogènes (données de cotation et « autres informations de marché »). Les données de cotation sont des prix de clôture quotidiens d’actifs tandis que les « autres informations de marché » correspondent à trois types d’indicateurs : de conjoncture, de sentiments et de volatilité. Nous mesurons l’impact d’une combinaison de données hétérogènes sur nos portefeuilles d’arbitrage pour une période de tests incluant la crise des subprimes, à l’aide d’analyses de données (ACP) et de techniques probabilistes de quantification vectorielle. L’influence des données hétérogènes sur les portefeuilles d’arbitrage est mesurée notamment au travers d’une hausse de la rentabilité, d’un accroissement du ratio rentabilité/volatilité post crise des subprimes, d’une baisse de la volatilité ou d’une baisse des corrélations entre classes d’actifs. Ces découvertes empiriques permettent d’envisager la prise en compte des « autres informations de marché » comme élément de diversification du risque d’un portefeuille. Nous formalisons des éléments de réponse au défi posé par l’allocation tactique multi-classes d’actifs (Blitz et Vliet, 2008), en intégrant des variables « prédictives » à un processus systématique de market timing qui incorpore de manière quantitative des données hétérogènes.
Domaines
Economies et finances| Origine | Version validée par le jury (STAR) |
|---|