Mean-Reversion-Portfolios mit aktuellen Aktiendaten testen

Zusammenfassung

Diese empirische Studie prüft, ob Online-Portfoliostrategien, die Mittelwertrückkehr nutzen sollen, auch außerhalb von Benchmark-Datensätzen gut abschneiden. Sie untersucht drei Ansätze: passive aggressive Mittelwertrückkehr, Online-Strategien zur Rückkehr gleitender Durchschnitte und Transaktionskostenoptimierung. Die Forschenden verwenden historische Kurse von S&P-500-Bestandteilen aus dem Zeitraum 2000 bis 2017 sowie etablierte Benchmark-Datensätze. Damit untersuchen sie, warum diese Strategien in gängigen Tests besonders erfolgreich erscheinen können und ob sie auch mit neueren Marktdaten funktionieren.

Die berichteten Ergebnisse mahnen zur Vorsicht: Benchmark-Datensätze können Methoden zur Mittelwertrückkehr begünstigen, und gute Ergebnisse auf diesen Datensätzen lassen sich möglicherweise nicht auf breitere Marktbedingungen übertragen. Die Strategien können selbst dann scheitern, wenn die Bedingungen günstig erscheinen, insbesondere bei expliziten oder impliziten Transaktionskosten. Das Dokument enthält keine detaillierten Performance-Zahlen, Angaben zur Umsetzung oder Kostenannahmen. Es belegt daher weder, welche Methode am besten abschneidet, noch wie die Ergebnisse zwischen einzelnen Zeiträumen variieren. Die zentrale Lehre lautet, Portfoliostrategien anhand repräsentativer Daten zu testen und dabei Handelsfriktionen zu berücksichtigen.

Kernaussagen

• Die Studie bewertet Strategien für PAMR, OLMAR und zur Transaktionskostenoptimierung.
• Sie vergleicht etablierte Benchmark-Datensätze mit historischen Kursen von S&P-500-Bestandteilen aus dem Zeitraum 2000 bis 2017.
• Benchmark-Datensätze können Strategien zur Mittelwertrückkehr begünstigen und ein unvollständiges Bild ihrer Performance vermitteln.
• Die getesteten Strategien können auch unter scheinbar günstigen Bedingungen scheitern.
• Explizite und implizite Transaktionskosten können die Ergebnisse von Strategien zur Mittelwertrückkehr beeinträchtigen.

Schlagwörter

# Empirical investigation of state-of-the-art mean reversion strategies for equity markets


# Empirical investigation of state-of-the-art mean reversion strategies for equity markets









Recent studies have shown that online portfolio selection strategies that exploit the mean reversion property can achieve excess return from equity markets. This paper empirically investigates the performance of state-of-the-art mean reversion strategies on real market data. The aims of the study are twofold. The first is to find out why the mean reversion strategies perform extremely well on well-known benchmark datasets, and the second is to test whether or not the mean reversion strategies work well on recent market data. The mean reversion strategies used in this study are the passive aggressive mean reversion (PAMR) strategy, the on-line moving average reversion (OLMAR) strategy, and the transaction cost optimization (TCO) strategies. To test the strategies, we use the historical prices of the stocks that constitute S\&P 500 index over the period from 2000 to 2017 as well as well-known benchmark datasets. Our findings are that the well-known benchmark datasets favor mean reversion strategies, and mean reversion strategies may fail even in favorable market conditions, especially when there exist explicit or implicit transaction costs.

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.