استخدام أس هيرست للتبديل بين الزخم والارتداد إلى المتوسط

الملخص

تستخدم هذه الدراسة أس هيرست لتصنيف سلسلة زمنية على أنها ذات اتجاه أو مرتدة إلى المتوسط، ثم تختار استراتيجية يُفترض أن تلائم ذلك السلوك. ويُستخدم الزخم في ظروف الاتجاه، بينما يُستخدم الارتداد إلى المتوسط عندما تُظهر الأسعار هذا السلوك. والفكرة الأساسية هي تكييف اختيار الاستراتيجية مع تقدير لنظام السوق بدلًا من تطبيق أي من النهجين باستمرار.

تفيد الوثيقة بأن هذا الاختيار المستند إلى أس هيرست قد يحقق عوائد أعلى مصحوبة بمخاطر أعلى. ولا تحدد الأصول أو فترة العينة أو الحدود أو قواعد التداول أو تكاليف المعاملات أو أرقام الأداء الكمي، لذا لا يمكن تقييم النتيجة بصورة مستقلة من الملخص. كما تحدد الدراسة قيودًا وتقترح التعلم المعزز Q كوسيلة محتملة لتحسين الاستراتيجية وتنفيذ خوارزمياتها المكوّنة. وهذا اقتراح مستقبلي؛ ولا تُعرض هنا نتائج للتعلم المعزز Q. لذا يوضح النهج مفهوم اختيار النظام، بينما تظل متانته وأداؤه العملي غير محسومين.

الأفكار الرئيسية

• يُستخدم أس هيرست للتمييز بين سلوك الاتجاه والارتداد إلى المتوسط.
• تختار الطريقة الزخم في الاتجاهات والارتداد إلى المتوسط في الظروف التي تميل فيها الأسعار إلى ذلك.
• تفيد الدراسة بأن اختيار الاستراتيجية بحسب أس هيرست يحقق عوائد أعلى إلى جانب مخاطر أعلى.
• تقترح الوثيقة التعلم المعزز Q لتحسين محتمل، لكنها لا تقدم نتائج له.
• لا تتوفر تفاصيل لازمة لتقييم التكاليف والحدود والمتانة خارج العينة.

الوسوم

# Optimizing Returns Using the Hurst Exponent and Q Learning on Momentum and Mean Reversion Strategies


# Optimizing Returns Using the Hurst Exponent and Q Learning on Momentum and Mean Reversion Strategies









Momentum and mean reversion trading strategies have opposite characteristics. The former is generally better with trending assets, and the latter is generally better with mean reverting assets. Using the Hurst exponent, which classifies time series as trending or mean reverting, we attempt to trade with each strategy when it is advantageous to generate higher returns on average. We ultimately find that trading with the Hurst exponent can achieve higher returns, but it also comes at a higher risk. Finally, we consider limitations of our study and propose a method using Q-learning to improve our strategy and implementation of individual algorithms.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.