Mit dem Hurst-Exponenten zwischen Momentum und Mean Reversion wechseln

Zusammenfassung

Diese Studie nutzt den Hurst-Exponenten, um eine Zeitreihe als trendend oder mean-revertierend zu klassifizieren, und wählt anschließend eine dazu passende Strategie. Momentum wird mit Trendbedingungen verknüpft, Mean Reversion mit einem mean-revertierenden Preisverhalten. Die zentrale Idee besteht darin, die Strategiewahl an eine Schätzung des Marktregimes anzupassen, statt einen der beiden Ansätze kontinuierlich anzuwenden.

Das Dokument berichtet, dass diese auf dem Hurst-Exponenten beruhende Auswahl höhere Renditen erzielen kann, die mit einem höheren Risiko einhergehen. Es nennt weder Vermögenswerte, Stichprobenzeitraum und Schwellenwerte noch Handelsregeln, Transaktionskosten oder quantitative Leistungswerte. Daher lässt sich das Ergebnis anhand der Zusammenfassung nicht unabhängig beurteilen. Die Studie benennt außerdem Einschränkungen und schlägt Q-Learning als mögliche Verbesserung der Strategie und der Umsetzung ihrer Teilalgorithmen vor. Dieser Vorschlag ist zukunftsgerichtet; Ergebnisse zu Q-Learning werden hier nicht berichtet. Der Ansatz veranschaulicht ein Konzept zur Regimeauswahl, lässt aber Robustheit und praktische Leistung offen.

Kernaussagen

• Der Hurst-Exponent dient dazu, Trendverhalten von Mean Reversion zu unterscheiden.
• Die Methode wählt Momentum bei Trends und Mean Reversion unter mean-revertierenden Bedingungen.
• Die Studie berichtet bei einer auf dem Hurst-Exponenten beruhenden Strategiewahl höhere Renditen bei zugleich höherem Risiko.
• Das Dokument schlägt Q-Learning als mögliche Verbesserung vor, berichtet dazu aber keine Ergebnisse.
• Für die Beurteilung von Kosten, Schwellenwerten und Robustheit außerhalb der Stichprobe fehlen notwendige Angaben.

Schlagwörter

# 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.

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.