Die effiziente Markthypothese besagt, dass die Finanzmärkte "informationseffizient" sind, da die Preise der gehandelten Vermögenswerte alle bekannten Informationen zu einem bestimmten Zeitpunkt widerspiegeln. Aber wenn dies zutrifft, warum ändern sich dann die Preise von Tag zu Tag, obwohl es keine neuen grundlegenden Informationen gibt? Die Antwort beinhaltet einen Aspekt, der bei einzelnen Händlern häufig vergessen wird: Liquidität.
Viele große institutionelle Geschäfte haben den ganzen Tag über nichts mit Informationen und alles mit Liquidität zu tun. Anleger, die sich überbelichtet fühlen, werden Positionen aggressiv absichern oder liquidieren, was sich letztendlich auf den Preis auswirkt. Diese Liquiditätsnachfrager sind häufig bereit, einen Preis für die Veräußerung ihrer Positionen zu zahlen, was zu einem Gewinn für die Liquiditätsanbieter führen kann. Diese Fähigkeit, von Informationen zu profitieren, scheint der effizienten Markthypothese zu widersprechen, bildet jedoch die Grundlage für statistische Arbitrage.
Die statistische Arbitrage zielt darauf ab, das Verhältnis zwischen Preis und Liquidität zu nutzen, indem von der statistischen Fehlbewertung eines oder mehrerer Vermögenswerte auf der Grundlage des erwarteten Werts der Vermögenswerte, die aus einem statistischen Modell generiert wurden, profitiert wird.
Was ist statistische Arbitrage?
Die statistische Arbitrage entstand in den 1980er Jahren aus der Absicherungsnachfrage, die durch die Equity Block Trading Desk-Operationen von Morgan Stanley ausgelöst wurde. Morgan Stanley konnte Preisnachlässe im Zusammenhang mit großen Blockkäufen vermeiden, indem er zur Absicherung seiner Position Anteile an eng korrelierten Aktien kaufte. Wenn das Unternehmen beispielsweise einen großen Aktienblock erwarb, würde es eine eng korrelierte Aktie verkaufen, um sich gegen größere Markteinbrüche abzusichern. Dadurch wurden Marktrisiken wirksam beseitigt, während das Unternehmen versuchte, die von ihm gekauften Aktien in eine Blocktransaktion zu platzieren.
Händler begannen, diese Paare nicht als auszuführenden Block und dessen Absicherung zu betrachten, sondern als zwei Seiten einer Handelsstrategie, die eher auf Gewinn als auf bloße Absicherung abzielte. Diese Paar-Trades entwickelten sich schließlich zu verschiedenen anderen Strategien, die darauf abzielen, statistische Unterschiede bei den Wertpapierpreisen aufgrund von Liquidität, Volatilität, Risiko oder anderen Faktoren auszunutzen. Wir klassifizieren diese Strategien nun als statistische Arbitrage.
Arten der statistischen Arbitrage
Es gibt viele Arten statistischer Arbitrage, um verschiedene Arten von Möglichkeiten zu nutzen. Während einige Typen durch einen effizienteren Markt auslaufen, haben sich mehrere andere Möglichkeiten ergeben, ihren Platz einzunehmen.
Risiko Arbitrage
Risk Arbitrage ist eine Form der statistischen Arbitrage, die aus Fusionssituationen Nutzen ziehen soll. Investoren kaufen Aktien im Ziel und (wenn es sich um eine Aktientransaktion handelt) schließen gleichzeitig die Aktien des Erwerbers. Das Ergebnis ist ein Gewinn, der aus der Differenz zwischen dem Buyout-Preis und dem Marktpreis erzielt wird.
Anders als bei der herkömmlichen statistischen Arbitrage müssen bei der Risiko-Arbitrage einige Risiken eingegangen werden. Das größte Risiko besteht darin, dass der Zusammenschluss zum Erliegen kommt und die Aktien des Ziels auf das Niveau vor dem Zusammenschluss fallen. Ein weiteres Risiko betrifft den Zeitwert des investierten Geldes. Fusionen, deren Durchführung lange dauert, können die jährlichen Renditen der Anleger beeinträchtigen.
Der Schlüssel zum Erfolg bei der Risikoarbitrage liegt darin, die Wahrscheinlichkeit und Aktualität der Fusion zu bestimmen und diese mit der Preisdifferenz zwischen der Zielaktie und dem Übernahmeangebot zu vergleichen. Einige Risiko-Arbitrageure haben auch damit begonnen, über Übernahmeziele zu spekulieren, was zu wesentlich höheren Gewinnen bei gleichem Risiko führen kann.
Volatility Arbitrage
Volatility Arbitrage ist eine beliebte Art statistischer Arbitrage, bei der die Unterschiede zwischen der impliziten Volatilität einer Option und einer Prognose der künftig realisierten Volatilität in einem deltaneutralen Portfolio genutzt werden. Im Wesentlichen spekulieren Volatilitäts-Arbitrageure auf die Volatilität des zugrunde liegenden Wertpapiers, anstatt direkt auf den Kurs des Wertpapiers zu setzen.
Der Schlüssel zu dieser Strategie liegt in der genauen Vorhersage der zukünftigen Volatilität, die aus einer Vielzahl von Gründen abweichen kann, darunter:
- PatentstreitigkeitenKlinische VersuchsergebnisseUngewisses ErgebnisM & A-Spekulation
Sobald ein Volatilitätsarbitrageur die zukünftig realisierte Volatilität eingeschätzt hat, kann er nach Optionen suchen, bei denen die implizite Volatilität entweder erheblich niedriger oder höher ist als die prognostizierte realisierte Volatilität für das zugrunde liegende Wertpapier. Wenn die implizite Volatilität geringer ist, kann der Händler die Option kaufen und sich mit dem zugrunde liegenden Wertpapier absichern, um ein deltaneutrales Portfolio zu bilden. Wenn die implizite Volatilität höher ist, kann der Händler die Option verkaufen und sich mit dem zugrunde liegenden Wertpapier absichern, um ein deltaneutrales Portfolio zu bilden.
Der Händler erzielt dann einen Gewinn aus dem Handel, wenn die realisierte Volatilität des zugrunde liegenden Wertpapiers seiner Prognose näher kommt als die Prognose des Marktes (oder die implizite Volatilität). Der Gewinn aus dem Handel wird durch die kontinuierliche Neuausrichtung erzielt, die erforderlich ist, um das Portfolio deltaneutral zu halten.
Neuronale Netze
Neuronale Netze werden auf dem Gebiet der statistischen Arbitrage immer beliebter, da sie komplexe mathematische Beziehungen finden können, die für das menschliche Auge unsichtbar erscheinen. Diese Netzwerke sind mathematische oder rechnerische Modelle, die auf biologischen neuronalen Netzwerken basieren. Sie bestehen aus einer Gruppe miteinander verbundener künstlicher Neuronen, die Informationen mithilfe eines konnektionistischen Berechnungsansatzes verarbeiten. Dies bedeutet, dass sie ihre Struktur basierend auf den externen oder internen Informationen ändern, die während der Lernphase durch das Netzwerk fließen.
Neuronale Netze sind im Wesentlichen nichtlineare statistische Datenmodelle, mit denen komplexe Beziehungen zwischen Eingaben und Ausgaben modelliert werden, um Muster in Daten zu finden. Offensichtlich kann jedes Muster der Wertpapierkursbewegungen für Gewinne ausgenutzt werden.
Hochfrequenzhandel
High Frequency Trading (HFT) ist eine relativ neue Entwicklung, die darauf abzielt, die Fähigkeit von Computern zur schnellen Ausführung von Transaktionen zu nutzen. Die Ausgaben im Handelssektor sind im Laufe der Jahre erheblich gestiegen, und infolgedessen gibt es viele Programme, die Tausende von Trades pro Sekunde ausführen können. Da die meisten statistischen Arbitrage-Möglichkeiten aufgrund des Wettbewerbs begrenzt sind, ist die Fähigkeit, Trades schnell auszuführen, die einzige Möglichkeit, Gewinne zu skalieren. Immer komplexer werdende neuronale Netze und statistische Modelle in Kombination mit Computern, die in der Lage sind, Zahlen zu ermitteln und Trades schneller auszuführen, sind der Schlüssel zu zukünftigen Gewinnen für Arbitrageure.
Wie statistische Arbitrage die Märkte beeinflusst
Statistische Arbitrage spielt eine entscheidende Rolle bei der Bereitstellung eines Großteils der täglichen Liquidität an den Märkten. Es ermöglicht großen Blockhändlern, ihre Trades zu platzieren, ohne die Marktpreise wesentlich zu beeinflussen, und reduziert gleichzeitig die Volatilität bei Fragen wie American Depositary Receipts (ADRs), indem sie enger mit ihren Mutteraktien korrelieren.
Die statistische Arbitrage hat jedoch auch einige größere Probleme verursacht. Der Zusammenbruch von Long Term Capital Management (LTCM) im Jahr 1998 hat den Markt fast in Trümmern liegen lassen. Um von solch geringen Preisabweichungen zu profitieren, ist es notwendig, eine signifikante Hebelwirkung zu erzielen. Darüber hinaus sind Sicherheitsmaßnahmen integriert, da diese Abschlüsse automatisiert sind. Im Falle von LTCM bedeutete dies, dass es bei einer Abwärtsbewegung liquidiert würde; Das Problem bestand darin, dass die Liquidationsaufträge von LTCM nur in einer schrecklichen Schleife weitere Verkaufsaufträge auslösten, die schließlich mit staatlichen Eingriffen beendet würden. Denken Sie daran, dass die meisten Börsencrashs auf Liquiditäts- und Hebelprobleme zurückzuführen sind - genau das ist der Bereich, in dem statistische Arbitrageure tätig sind.
Die Quintessenz
Statistische Arbitrage ist eine der einflussreichsten Handelsstrategien, die jemals entwickelt wurden, obwohl sie seit den 1990er Jahren an Popularität leicht eingebüßt hat. Heutzutage wird die meiste statistische Arbitrage durch Hochfrequenzhandel unter Verwendung einer Kombination aus neuronalen Netzen und statistischen Modellen durchgeführt. Diese Strategien fördern nicht nur die Liquidität, sondern sind auch maßgeblich für die großen Abstürze verantwortlich, die wir in Unternehmen wie LTCM in der Vergangenheit erlebt haben. Solange Liquiditäts- und Hebelprobleme kombiniert werden, ist es wahrscheinlich, dass die Strategie auch für den gemeinsamen Anleger eine Anerkennung verdient.
