İstatistiksel arbitraj: NYSE ve NASDAQ`da işlem gören hisse senetleri ve yatırım fonları için ikili işlem stratejisi

Abstract

Sayıları gün geçtikçe artan hisse senetleri ve yatırım fonları, riskli arbitraj stratejileri için çok sayıda fırsatı da beraberinde getirmektedir. Algoritma oyuncuları tarafından geliştirilen riskli arbitraj stratejilerinden ikili işlem stratejisi otomatik alım/satım programlarında kullanılan stratejilerin başında gelir. İkili işlem stratejileriyle piyasa nötr portföyler oluşturulduğundan, strateji her türlü ekonomik koşul altında kâr elde etmeyi başarabilir. Bu çalışmada, hedge fonların ve büyük yatırım firmalarının yer aldığı bu oyunda, sınırlı imkan ve kaynakla ikili işlem stratejisi kullanılarak ne ölçüde kâr elde edilebileceği gösterilmiştir.İkili işlem stratejisi geliştirilerek 2011 ile 2015 yılları arası için NYSE ve NASDAQ'da işlem gören hisse senetleri ve yatırım fonları için performans test edilmiştir. İkili işlem stratejisini toplam 17 farklı varlık grubu için test eden algoritma tasarlanmış ve MATLAB'da kodlanmıştır. Verileri Yahoo Finance'dan otomatik çeken, ekonometrik modellere uyumluluğunu test eden, istatiksel olarak uygun seviyelerde pozisyon açan bir alım/satım programı geliştirilmiştir. İkili işlem stratejisinin sonuçları S&P 500 endeksinin yıllık getirisi ve Sharpe oranıyla kıyaslanmıştır. Uygulandığı yıllar ve varlıklar baz alındığında günlük kapanış verisiyle ikili işlem stratejisi kullanılarak kâr elde etmenin oldukça zor bir süreç gerektirdiği ortaya çıkmıştır. Parametrelerin performansı oldukça etkilemesi ve anlık değişebilen ekonomik koşullar nedeniyle, sürekli optimizasyon yapılması gerektiği gösterilmiştir. Buna rağmen ikili işlem stratejisine işlem maliyetleri de dâhil edildiğinde günlük kapanış fiyatları kullanılarak kâr elde etmek mümkün görünmektedir.

Number of stocks and exchange traded funds has been increasing year by year, so it gets a fertile ground for risk arbitrage strategies. One of highly used risk arbitrage strategy in financial markets is pair trading, which is developed by algorithmic traders for automatic trading. Pair trading is a market neutral strategy, which makes it robust under any economic conditions. This thesis proves that an individual trader can success with a limited computing power and resource, in a game dominated by hedge funds and investment banks.In this study, pair trading strategy is developed exclusively for stocks and ETFs. The strategy is tested paired stocks and ETFs, which traded on NYSE and NASDAQ for the period between 2011 and 2015. First algorithm is coded in MATLAB, after then its performance is tested on 17 different pairs. The backtest program has a capability of requesting data from Yahoo Finance, parsing historical data into components, applying econometric models and finally using statistics to trigger entry and exit signals in an automated way.S&P 500 is taken as a benchmark, and the performance results of pair trading are compared on the basis of cumulative compound rate and Sharpe ratio. It is proven that the process of pair trading requires multi-dimensional skills and complex econometric calculations. Parameter choice and regime shifts can highly affect performance statistics of the strategy. Therefore it is suggested to use adaptive hedge ratios and continuous parameter optimizations. At the end, retail investors can utilize risk arbitrage and generate profits by using pair trading strategy on daily closing prices.