Aprendizaje de momentum dinámico para seguir tendencias

Resumen

Este artículo estudia cómo las señales de seguimiento de tendencias pueden adaptarse a distintos periodos retrospectivos de momentum. En lugar de depender únicamente de resúmenes fijos de los rendimientos pasados, aplica un clasificador binario dinámico para aprender si las relaciones entre el momentum pasado y los rendimientos futuros están cambiando o se mantienen estables. Así, el inversor puede combinar o elegir velocidades de momentum, especialmente cerca de puntos de inflexión del mercado.

Los autores evalúan el método con datos de 56 contratos de futuros y lo comparan con una estrategia tradicional de momentum de series temporales. Informan de que un inversor de media-varianza pagaría una comisión de gestión considerable por el método dinámico y lo describen como prueba de una mayor precisión de las señales y un mejor rendimiento de la cartera. El texto no indica el importe de la comisión, el diseño detallado de las pruebas ni los resultados ajustados al riesgo, así que no demuestra cuán sólida es la ventaja en distintos periodos o con diferentes costes de implementación.

Ideas clave

• Las reglas de momentum con periodos retrospectivos fijos pueden pasar por alto cambios en la relación entre rendimientos pasados y futuros.
• Un clasificador binario dinámico aprende si estas relaciones varían con el tiempo.
• El método puede seleccionar o combinar velocidades de momentum cerca de puntos de inflexión.
• La evaluación utiliza 56 contratos de futuros y compara el método con el momentum tradicional de series temporales.
• La disposición de los inversores a pagar una comisión de gestión sugiere un beneficio económico, aunque no se especifica su magnitud.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.