تجارت اوراق قرضه ارزان قیمت AI

ساختار بازارهای درآمد ثابت طی یک دهه گذشته به طرز چشمگیری تغییر کرده است. مقررات جدید ، برنامه های خرید اوراق قرضه دولتی ، محصولات جدید مانند ETF ، ظهور سیستم عامل های الکترونیکی همه به همه و ارائه دهندگان نقدینگی غیر دلال با استفاده از تجارت الگوریتمی و فرکانس بالا از جمله تحولات مجدد صنعت است.

یک بازار گاو نر 40 ساله در اوراق قرضه شاهد بازده 10 ساله خزانه داری ایالات متحده از تقریباً 16 ٪ به کمتر از 1 ٪ و در بازارهای بزرگ اروپا نرخ 10 ساله منفی است. در همان زمان ، گسترش در درجه سرمایه گذاری و اوراق بهادار با بازده بالا از نظر تاریخی تنگ است. پیش بینی می شود این نرخ های پایین و گسترش اعتباری سخت سالها ادامه داشته باشد.

سرمایه گذاران که در جستجوی بازده های بالاتر در این محیط پایین هستند ، به درجه سرمایه گذاری با رتبه پایین ، بازار نوظهور و اوراق بهادار با بازده بالا منتقل شده اند. اما این افزایش ریسک اعتباری و نقدینگی را افزایش می دهد و مزایای تنوع را کاهش می دهد زیرا این اوراق بهادار پایین تر با سهام بسیار ارتباط دارند.

در این چشم انداز جدید ، تجارت الکترونیکی و استفاده از هوش مصنوعی برای اتوماسیون تجاری به استاندارد جدید تبدیل شده است. آنها هم توسط طرف خرید و هم از طرف فروش استفاده می شوند و یک پیش نیاز برای باقی ماندن رقابتی هستند.

به گزارش ائتلاف گرینویچ ، سیستم عامل های اصلی تجارت اوراق بهادار الکترونیکی گزارش حجم معاملات رکورد در سال 2020 و تجارت الکترونیکی اوراق بهادار شرکت از زیر 10 ٪٪ در سال 2010 به تقریباً یک سوم در سال 2020 افزایش یافته است. در حقیقت ، ائتلاف گرینویچ گزارش داد که در مارس 2021 به طور متوسط رکورد 11. 5 میلیارد دلار در روز اوراق بهادار شرکت های ایالات متحده به صورت الکترونیکی معامله می شود. در اروپا ، معاملات الکترونیکی اوراق بهادار شرکت های اروپایی بین سالهای 2017 و 2020 61 درصد رشد داشته است.

افزایش الکترونیکی بازارها همچنین داده های تجاری قابل استفاده و در دسترس تر ایجاد کرده است. این افزایش در داده های معاملات در زمان واقعی و تاریخی باعث شده است که مقادیر زیادی از داده ها برای هر مشتری در زمانی که می تواند برای تجزیه و تحلیل توسط AI Tools استفاده شود ، جمع کند. این نسل جدید از هوش مصنوعی برای انجام تجزیه و تحلیل ارزش نسبی پیشرفته از جمله تجزیه و تحلیل غنی پیشرفته استفاده می شود.

مقدار آلفا با اعتبار

با تأکید بر این تغییرات در بازار ، میزهای با درآمد ثابت طرف خرید به شدت برای فناوری هزینه می کنند و استفاده از هوش مصنوعی را برای تجزیه و تحلیل و تجارت خودکار افزایش می دهند. 24 ماه آینده

منابع جدید نقدینگی اوراق قرضه شرکت ، در دسترس بودن مجموعه داده های غنی تر ، الکترونیکی تجارت اوراق بهادار و توسعه هوش مصنوعی قدرتمندتر با محاسبات ابری اکنون اجرای تجارت اوراق قرضه کاملاً کمی را ممکن کرده است. به زبان ساده: خرید و فروش آلگو ، فروش آلگو.

سرمایه گذاران به طور فزاینده ای برای افزایش آلفا به تجارت کمی با درآمد ثابت روی می آورند. بلومبرگ ، با استناد به داده های Man Group ، گزارش می دهد که موقعیت های اعتباری طولانی که توسط Quants برگزار می شود از سال 2018 دو برابر شده است - به حدود 23 میلیارد دلار رسیده است. در سالهای اخیر بنگاه هایی مانند BlackRock ، Blackstone و AQR تجارت کمی با درآمد ثابت را آغاز کرده اند.

صندوق های محافظت کننده کمی به فضای درآمد ثابت منتقل شده اند. آنها با استفاده از استراتژی هایی مانند حمل ، حرکت ، کیفیت و نوسانات و با استفاده از مدل سازی کمی در جهت ، منحنی عملکرد و تجزیه و تحلیل غنی ، آلفا و بتا پیشرفته را اضافه می کنند.

Overbond هوش مصنوعی و ثروت اطلاعات معاملات جدید را به دست آورده است تا معاملات کمی را به میزهای خرید از طریق یک مدل پیشرفته و غنی پیشرفته منتقل کند. این مدل جدید با ترکیب هر دو تجزیه و تحلیل استاتیک و پویا از عوامل متعدد ، بینش را فراتر از تجزیه و تحلیل سنتی فراهم می کند و از آنچه می توان از طریق روش های صفحه گسترده سنتی ایجاد کرد ، قدرتمندتر است.

مدل غنی از Overbond

با استفاده از مجموعه Overbond ، میزهای خرید در سراسر جهان می توانند بازده سیستماتیک را با یک روش واقعی ، کاملاً آزمایش شده ، اثبات شده و شفاف ایجاد کنند که مقیاس پذیر و قابل اجرا باشد.

مدل غنی از Overbond (RCM) یک روش کمی برای غربالگری برای اوراق بهادار با درآمد ثابت نادرست فراهم می کند. این یک مدل ارزیابی متوسط است که به منظور شناسایی اوراق قرضه به عنوان نامزدهای غنی "فروش" و "خرید" ارزان بر اساس معیارهای ارزیابی ارزش افزوده اختصاصی طراحی شده است. ایده های تجارت با اندازه گیری عملکرد به بلوغ (YTM) شروع می شود "، در نقاط پایه بین دو اوراق بهادار درآمد ثابت.

RCM در یک استراتژی تجارت غنی (RCS) مورد آزمایش قرار گرفت. با استفاده از معیارهای کیفی و کمی از پیش تعریف شده ، یک جفت اوراق قرضه از یک زیر سیاهه اوراق انتخاب می شود. این جفت یک هدف بالقوه برای یک استراتژی طولانی/کوتاه است که در آن یک سرمایه گذار جفت اوراق قرضه ارزان/غنی مربوطه را خریداری و فروش می کند تا در معرض خطر خنثی بازار در معرض خطر ایدیوسنکراتیک قرار بگیرد. هدف این است که پس از میانگین برگشت به ارزش منصفانه بازار ، از هر دو موقعیت با سود خارج شوید.

اگر x = 0. 95 غنی باشد ، این پیوند در نظر گرفته می شود ، به این معنی که اوراق قرضه غنی در 5 ٪ پایین تاریخ 30 روزه خود قرار دارد ، در حالی که اوراق قرضه ارزان در 5 ٪ برتر است.

استراتژی غنی و ارزان به گونه ای طراحی شده است که احتمال وجود آلفا مثبت در زمانی که هر دو ترکیب کننده جفت معامله شده در افراط و تفریط 30 روزه خود قرار دارند ، بیشتر می شود.

مدل غنی از Overbond در عمل

برای نشان دادن تجزیه و تحلیل غنی از Overbond ، موضوعات درآمد ثابت Allstate و MetLife مورد تجزیه و تحلیل قرار می گیرد. تجزیه و تحلیل با بررسی صفحه های خلاصه درآمد ثابت (شکل 1) و سپس interquartile غنی- ارزان برای صادرکنندگان آغاز می شود (شکل 2).

شکل 3. منحنی های قیمت گذاری پیوند تاریخی برای Allstate و MetLife و عملکرد آنها همانطور که در سکوی Overbond نشان داده شده است گسترش می یابد

در مرحله بعد ، مقدار نسبی یک باند در مقابل دیگری با استفاده از منحنی های قیمت گذاری تاریخی و گسترش بین آنها بررسی می شود (شکل 3).

یک محاسبه و نمره ارزان/ارزان قیمت به یک سرمایه گذار اجازه می دهد تا یک جفت اوراق قابل معامله را جدا کند. الگوریتم Overbond به سرمایه گذاران اجازه می دهد تا جفت اوراق قرضه را که ممکن است متناسب با ترکیب نمونه کارها آنها باشد ، تجزیه و تحلیل کنند. این الگوریتم برای یافتن همزمان بسیاری از فرصت های تولید آلفا در بازار آموزش دیده است.

با استفاده از مجموعه Overbond ، میزهای خرید در سراسر جهان می توانند بازده سیستماتیک را با یک روش واقعی ، کاملاً آزمایش شده ، اثبات شده و شفاف ایجاد کنند که مقیاس پذیر و قابل اجرا باشد. ایده های تجارت حداقل به یک معیار ارزش مانند گسترش در بازده به بلوغ (YTM) بین دو اوراق بهادار درآمد ثابت که در نقاط پایه (BP) اندازه گیری می شود ، نیاز دارند.

• پیوند ytm = 1. 200 ٪
• باند b ytm = 1. 350 ٪
• پخش عملکرد = (1. 350 - 1. 200) x 100 = . 15 x 100 = +15 bps

در معاملات "جفت" درآمدی ثابت ، سرمایه گذاران امیدوارند که پس از اجرای تجارت ، از سفت شدن یا تنگ شدن عملکرد بهره مند شوند. در مثال بالا اگر گسترش B بیش از A از +15 bps به یک گسترش کوچکتر مانند +5 bps حرکت کند ، سفتی رخ می دهد.

مدل غنی و ارزان: ارزیابی استاتیک

از آنجایی که بازده و قیمت رابطه معکوس دارند، انقباض حاکی از بازده مثبت است، در حالی که افزایش به معنای زیان است. سایر معیارهای ارزشی که ممکن است مورد استفاده قرار گیرند عبارتند از اسپرد قیمت، اسپرد z-spread، اسپرد OAS و هزینه اسپرد حمل.

ارزش گذاری ایستا بر اساس دیفرانسیل های واقعی COBI در مقابل برازش شده

معیار اولیه مورد استفاده برای استراتژی غنی-ارزان، اسپرد بین اسپرد ISIN فردی (COBI) ایجاد شده توسط COBI و اسپرد منحنی بازار ثانویه برازش (SMC) ایجاد شده توسط COBI است، یعنی نقاط آبی در مقابل منحنی برازش سبز در صفحه قیمت گذاری COBI ما..

مثال - باند A در مقابل باند B

• گسترش COBI – گسترش SMC = 150 – 130 bps = +20 bps
• اوراق قرضه A "ارزان" در نظر گرفته می شود

مدل غنی-ارزان: ارزش گذاری پویا

تجزیه و تحلیل ارزیابی استاتیک قبلی را می توان با یک تحلیل پویا با مقایسه اختلاف اسپرد فعلی بین اسپرد COBI و اسپرد SMC برای فروش و خرید اوراق قرضه هدف در طول زمان تکمیل کرد.

• Bond X – گسترش COBI منهای SMC = -5bps، با محدوده 30 روزه 5- تا 1+bps (پایین محدوده)
• Bond Y – گسترش COBI منهای SMC = +7bps، با محدوده 30 روزه 3+ تا 7 bps (بالای محدوده)

درصد IQR به سادگی معیاری است برای مقایسه مقدار فعلی با سابقه 30 روزه آن، که به صورت درصد بیان می شود.

• برای باند X، ٪ IQR 0٪ است، یعنی 100 x ((جریان - کم) / (بالا - پایین)) = 0٪
• برای Bond Y، ٪ IQR 100٪ است، به عنوان مثال، 100 * ((جریان - کم) / (بالا - پایین)) = 100٪

بر اساس تاریخ 30 روزه، Bond X "غنی" است در حالی که Bond Y "ارزان" است.

استراتژی معاملاتی این است که اوراق قرضه ای را بفروشیم که هم به صورت ایستا (اختلال COBI منفی در مقابل SMC در نقاط پایه مطلق) و هم به صورت پویا (% IQR در حدود 0%) و خرید اوراقی که هر دو از نظر استاتیک هستند (تفاوت COBI مثبت در مقابل SMC درامتیاز پایه مطلق) و به صورت پویا ارزان (% IQR در یا نزدیک به 100%). به طور مشخص:

1. Sale bonds with COBI – SMC differential + + 5 bps, and % IQR >= 95٪

استراتژی معاملاتی - جفت های خنثی ریسک

ما به طور کلی به دنبال معاملات بر اساس ریسک خنثی قابل مقایسه هستیم - یعنی مدت زمان مشابه، رتبه اعتباری و گروه صنعتی. به طور مشخص:

مقدار مطلق دیفرانسیل تنور = میانگین متحرک 30 روزه به اضافه دو انحراف استاندارد - این انحراف استاندار د-2 تا +2 در مقابل میانگین متحرک باند بولینگر نامیده می شود. فرض بر این است که اکثر معاملاتی که آزمون % IQR اولیه را برای هر پا به صورت جداگانه برآورده می‌کنند، این آزمون ثانویه «در باند بولینگر بالایی» را نیز برای گسترش اسپرد روی جفت برآورده می‌کنند.

استراتژی معاملاتی - باندهای بولینگر

هدف خروج به عنوان سطح ورودی منهای سه انحراف استاندارد تعیین می شود.

از آنجایی که معاملات فقط با میانگین متحرک 30 روزه به اضافه دو انحراف استاندارد وارد می شوند، هدف خروج عملاً میانگین متحرک 30 روزه منهای یک انحراف استاندارد (+2 – 3 = -1) است.

هدف خروج در زمان اجرای معامله تعیین می شود. فقط تغییرات بعدی در گسترش واقعی اسپردها مرتبط است، نه اینکه چگونه میانگین متحرک در طول زمان بالا یا پایین می‌رود یا چگونه باندهای بولینگر بزرگ یا باریک می‌شوند.

استراتژی معاملاتی - باندهای بولینگر

فیلتر ثانویه نهایی:

1. معاملات حمل منفی را که در آن نوسان برای جبران ناکافی است، حذف کنید
2. حداقل نوسانات نقطه پایه 30 روزه - به عنوان یک پروکسی برای سرعت برگشت

استراتژی معاملاتی - نوسانات نقطه پایه

نوسانات نقطه پایه عبارت است از انحراف استاندارد n روز تغییرات روزانه در پراکندگی اسپرد در افق زمانی n روز، به عنوان مثال، انحراف استاندارد 30 روزه از 30 تغییرات روزانه در گسترش اسپردها. روی جفت

نوسانات نقطه پایه واقعی معاملات آینده نگر به دو دلیل محاسبه می شود:

1. به عنوان مبنایی برای ایجاد یک هدف خروج
2. به عنوان یک فیلتر تجاری ثانویه

استراتژی معاملاتی - هزینه حمل

تعیین هزینه حمل در تجارت کلی جفت مهم است.

حمل بر دو عامل اصلی است: درآمد کوپن اوراق قرضه (مثلاً 2. 00٪ کوپن معادل 1. 00٪ درآمد در یک دوره 6 ماهه) و اثر کشش به همتراز (به عنوان مثال، یک اوراق قرضه 5 ساله). معامله با قیمت 105 در سررسید با قیمت 100 و بعد از یک سال تقریباً 104 معامله می شود.

هزینه حمل در بین جفت افزایش می یابد (یعنی هزینه حمل اوراق قرضه خرید منهای هزینه حمل اوراق فروش).

حمل مثبت به ارزش کلی معامله در طول زمان اضافه می کند در حالی که حمل منفی از آن کم می شود.

حمل مثبت عموماً مطلوب تر است، اما نباید تنها عامل تعیین کننده باشد.

شبیه سازی تست برگشتی

این استراتژی فرض می کند که یک جفت اوراق قرضه برای یک دوره متوسط 30 روزه پس از یک سیگنال تجاری قابل تنظیم نگهداری می شود. با توجه به اوراق قرضه غنی و ارزان، یک جفت معاملاتی تعریف می شود. یک جفت در صورتی معتبر (قابل معامله) است که الزامات کمی و کیفی زیر را رعایت کند:

الزامات کیفی

1. گروه صنعت هم باید همینطور باشد.
2. رتبه‌بندی‌ها باید در یک ردیف رتبه‌بندی از یکدیگر باشند.
3. تنورها باید در فاصله یک سال از یکدیگر باشند

الزامات کمی

1. امتیاز z تفاوت بازدهی پیشنهاد (باید خرید منهای اوراق قرضه فروش) باید با تعدادی انحراف استاندارد از میانگین 30 روزه فراتر رود.
2. نسبت سود و هزینه مورد انتظار باید از چهار نفر فراتر رود. هزینه ترکیبی از حمل جفت خالص است که در آن هزینه حمل با مبلغ روزانه رول ، کوپن و هزینه بودجه تعریف می شود.

پارامترهای مورد استفاده برای تست پشت عبارت بودند از:

همانطور که در جدول زیر خلاصه شده است ، این استراتژی شامل اجرای 11 معاملات شامل دوره 30 ژوئیه 2020 تا 30 مارس 2021 است. این بازده سالانه 1. 65 ٪ با نسبت شارپ 1. 37 ایجاد کرد. کل دوره برگزاری 327 روز با میانگین مدت برگزاری 30 روز بود. نرخ repo ثابت 0. 5 ٪ و نرخ بدون ریسک 0. 8 ٪ فرض شد. کل سرمایه مستقر 120 میلیون و سود خالص 1. 77 میلیون دلار بود.

Overbond تأثیر مثبت تجاری را برای مشتریان در سراسر جهان ایجاد کرده است ، از جمله شرکت های برتر خرید سطح که بیش از 900 میلیارد دلار دارایی تحت مدیریت را تشکیل می دهند. ما با مشتریان کار می کنیم تا به طور فعال کاربرد فن آوری های جدید را که می تواند به عنوان کاتالیزور برای اتوماسیون تجارت و بهبود مدیریت ریسک ، جریان تجارت و تجزیه و تحلیل قبل از تجارت و پس از تجارت ، به طور فعال کشف کنیم ، کشف کنیم.

موسساتی که با توجه به اجرای تجزیه و تحلیل پیش بینی هوش مصنوعی و پروژه های تحول داده های بزرگ می توانند با استفاده از مدلهای کالیبره شده خارجی و سیگنال های بازار روند را تسریع کنند. در زیر چندین ملاحظات و سؤال های کلیدی برای مدیران مسئول نقشه راه هوش مصنوعی شرکت خود وجود دارد:

• وضعیت فعلی داده های درآمد ثابت ما در خانه چیست؟
• علوم داده و قابلیت مهندسی ما چیست؟
• آیا ما برای رشد درآمد یا کاهش هزینه ، قابلیت های هوش مصنوعی را ایجاد می کنیم؟
• چگونه می توانیم مرزهای جهان داده های خود را دوباره تعریف کنیم یا منابع داده جایگزین لازم برای تغذیه موتور هوش مصنوعی را شناسایی کنیم؟
• با توجه به اینکه منحنی یادگیری AI شیب دار است ، از کجا شروع می کنیم؟
• چگونه می توانیم به سرعت اثبات هوش مصنوعی موارد استفاده مفهومی را ایجاد و اجرا کنیم؟
• عوامل مهم موفقیت برای نقشه راه هوش مصنوعی ما چیست؟

خدمات هوش مصنوعی سفارشی

Overbond با مشتریان برای شناسایی و توصیه از موارد استفاده از تجزیه و تحلیل AI استفاده می کند که با اهداف استراتژیک موسسه مالی مطابقت دارند.

ما قابلیت های هوش مصنوعی فعلی شما را ارزیابی می کنیم و یک نقشه راه را طراحی می کنیم تا به شما در تحقق ارزش برنامه های هوش مصنوعی کمک کند. ما جریان داده های متقابل کانال را در چندین سیستم مدیریت می کنیم و تجسم های جلویی سفارشی را فعال می کنیم.

روش شناسی اثبات شده

با رویکرد هدفمند و روش اجرای ما ، ما به سرعت ارزش تجزیه و تحلیل AI را برای آزمایش موارد استفاده نشان می دهیم. این امر باعث می شود تا مشتریان بتوانند مدیریت تغییر را برنامه ریزی و پیاده سازی کنند و خرید ذینفعان را تسهیل کنند.

شتاب عملیاتی

ما به مشتریان کمک می‌کنیم تا راه‌حل‌های هوش مصنوعی سفارشی را برای ارائه تجزیه و تحلیل اختصاصی برای دستیابی به نتایج ملموس تجاری بسازند. تجربه ما ترکیبی از مدل‌های کالیبره‌شده، الگوهای طراحی، مهندسی و بهترین روش‌های علم داده برای تسریع تحقق ارزش و کاهش ریسک پیاده‌سازی است.

AI Analytics-as-a-service

Overbond به مشتریان کمک می کند مکانیسم هایی را طراحی و نظارت کنند تا از هوش مصنوعی برای بهینه سازی و بهبود ارزیابی اعتبار با درآمد ثابت موجود، پیش بینی صدور و قیمت گذاری و نظارت بر فرصت های قبل از معامله استفاده کنند. تیم ما از دانشمندان و مهندسان داده کلاس جهانی یک رویکرد پیاده سازی تکراری را از ارزیابی وضعیت فعلی تا تحویل عملیاتی مدیریت می کند.

درباره Overbond

Overbond در توسعه تجزیه و تحلیل هوش مصنوعی سفارشی برای مشتریانی که گردش‌های کاری اتوماسیون تجاری، مدیریت ریسک، مدل‌سازی پورتفولیو و برنامه‌های مالی کمی را اجرا می‌کنند، تخصص دارد.

تماس: Vuk Magdelinic |CEO +1 (416) 559-7101 vuk. magdelinic@overbond. com

اندرو زیپان |مدیر فروش جهانی +1 (647) 405-0895 andrew. zippan@overbond. com

درباره ما

Overbond یک ارائه دهنده تجزیه و تحلیل کمی هوش مصنوعی برای بازارهای سرمایه با درآمد ثابت نهادی است. Overbond راه حل های تجمیع داده ها و مجموعه جامعی از الگوریتم های هوش مصنوعی را برای قیمت گذاری اوراق قرضه، تطبیق خریدار اوراق قرضه، سیگنال های پیش از معامله و نظارت بر بازار ارائه می دهد.