Trendprämien: Redundanz mittelfristiger und benachbarter Zeithorizonte

Zusammenfassung

Die Arbeit stellt infrage, ob die Kombination von Trendsignalen über viele Zeithorizonte hinweg die Diversifikation stets verbessert. Mithilfe bayesscher Optimierung wählt sie für jedes Asset dynamisch Gewichtungen für die Zeithorizonte aus und setzt anschließend Sparse-Bayesian-Graphical-Models mit Turnover-Kontrolle ein, um die Assets zu gewichten. Dies steht im Gegensatz zur Gleichgewichtung, bei der angenommen wird, dass jedes Asset von jedem Zeithorizont gleichermaßen profitiert.

Die Autoren stellen fest, dass die mittelfristige Komponente nach Einbeziehung kurz- und langfristiger Trends nur wenig zusätzliche Performance oder Diversifikation beiträgt. Das Entfernen der 125-Tage-Ebene verbessert den Angaben zufolge Sharpe Ratios und die Drawdown-Effizienz, während die Benchmark-Korrelation erhalten bleibt. Eine Minimum-Varianz-Analyse stützt die Interpretation, dass sich mittelfristige Signale mit benachbarten Zeithorizonten überschneiden. Das spricht für einen einfacheren Barbell aus kurz- und langfristigen Trends. Die Aussagen gelten für das Framework und die Evidenz der Arbeit; der Auszug enthält keine Stichprobendetails oder Robustheitsergebnisse und belegt daher nicht, dass dieselbe Mischung von Zeithorizonten markt- oder regimeübergreifend optimal ist.

Kernaussagen

• Eine gleiche Gewichtung der Zeithorizonte setzt voraus, dass jedes Asset von jeder Trendzeitskala gleichermaßen profitiert.
• Die Autoren optimieren die Zeithorizont-Gewichtungen auf Asset-Ebene, bevor sie die Assets gewichten.
• In ihrer Analyse leistet die mittelfristige Trendkomponente neben kurz- und langfristigen Signalen nur einen geringen zusätzlichen Beitrag.
• Das Entfernen der 125-Tage-Ebene verbessert den Angaben zufolge Sharpe Ratios und Drawdown-Effizienz bei gleichbleibender Benchmark-Korrelation.
• Ein Barbell aus kurz- und langfristigen Trends kann Redundanz und Modellkomplexität verringern.

Schlagwörter

# Revisiting the Structure of Trend Premia: When Diversification Hides Redundancy


# Revisiting the Structure of Trend Premia: When Diversification Hides Redundancy









Recent work has emphasized the diversification benefits of combining trend signals across multiple horizons, with the medium-term window-typically six months to one year-long viewed as the "sweet spot" of trend-following. This paper revisits this conventional view by reallocating exposure dynamically across horizons using a Bayesian optimization framework designed to learn the optimal weights assigned to each trend horizon at the asset level. The common practice of equal weighting implicitly assumes that all assets benefit equally from all horizons; we show that this assumption is both theoretically and empirically suboptimal. We first optimize the horizon-level weights at the asset level to maximize the informativeness of trend signals before applying Bayesian graphical models-with sparsity and turnover control-to allocate dynamically across assets. The key finding is that the medium-term band contributes little incremental performance or diversification once short- and long-term components are included. Removing the 125-day layer improves Sharpe ratios and drawdown efficiency while maintaining benchmark correlation. We then rationalize this outcome through a minimum-variance formulation, showing that the medium-term horizon largely overlaps with its neighboring horizons. The resulting "barbell" structure-combining short- and long-term trends-captures most of the performance while reducing model complexity. This result challenges the common belief that more horizons always improve diversification and suggests that some forms of time-scale diversification may conceal unnecessary redundancy in trend premia.

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.