Dynamisches Momentum-Lernen für adaptives Trendfolge-Trading

Zusammenfassung

Dieser Artikel untersucht, wie Trendfolgesignale unterschiedliche Momentum-Rückblickzeiträume adaptiv nutzen können. Statt sich nur auf feste Zusammenfassungen vergangener Renditen zu stützen, wird ein dynamischer binärer Klassifikator eingesetzt. Er lernt, ob sich die Beziehungen zwischen vergangenem Momentum und zukünftigen Renditen verändern oder stabil bleiben. Anleger können daraufhin unterschiedliche Momentum-Geschwindigkeiten kombinieren oder auswählen, insbesondere an Wendepunkten des Marktes.

Die Autoren bewerten das Verfahren anhand von Daten aus 56 Futures-Kontrakten und vergleichen es mit einer traditionellen Zeitreihen-Momentumstrategie. Sie berichten, dass ein Mean-Variance-Anleger für den dynamischen Ansatz eine beträchtliche Verwaltungsgebühr zahlen würde, und deuten dies als Hinweis auf genauere Signale und bessere Portfolio-Performance. Der vorliegende Bericht nennt weder die Höhe der Gebühr noch das detaillierte Testdesign oder risikobereinigte Ergebnisse. Daher belegt er nicht, wie robust der Vorteil über verschiedene Zeiträume oder bei Umsetzungskosten ist.

Kernaussagen

• Feste Momentum-Regeln mit Rückblickzeitraum können Veränderungen im Zusammenhang zwischen vergangenen und zukünftigen Renditen übersehen.
• Ein dynamischer binärer Klassifikator lernt, ob sich diese Beziehungen im Zeitverlauf verändern.
• Das Verfahren kann an Wendepunkten unterschiedliche Momentum-Geschwindigkeiten auswählen oder kombinieren.
• Die Evaluierung nutzt 56 Futures-Kontrakte und vergleicht das Verfahren mit traditionellem Zeitreihen-Momentum.
• Die berichtete Bereitschaft von Anlegern, eine Verwaltungsgebühr zu zahlen, deutet auf einen wirtschaftlichen Vorteil hin, dessen Höhe jedoch nicht genannt wird.

Schlagwörter

# Trend-Following Strategies via Dynamic Momentum Learning


# Trend-Following Strategies via Dynamic Momentum Learning









Time series momentum strategies are widely applied in the quantitative financial industry and its academic research has grown rapidly since the work of Moskowitz, Ooi and Pedersen (2012). However, trading signals are usually obtained via simple observation of past return measurements. In this article we study the benefits of incorporating dynamic econometric models to sequentially learn the time-varying importance of different look-back periods for individual assets. By the use of a dynamic binary classifier model, the investor is able to switch between time-varying or constant relations between past momentum and future returns, dynamically combining or selecting different momentum speeds during turning points, improving trading signals accuracy and portfolio performance. Using data from 56 future contracts we show that a mean-variance investor will be willing to pay a considerable management fee to switch from the traditional naive time series momentum strategy to the dynamic classifier approach.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.