یادگیری پویای مومنتوم برای پیروی تطبیقی از روند
خلاصه
این مقاله بررسی می‌کند سیگنال‌های پیروی از روند چگونه می‌توانند به‌صورت تطبیقی از دوره‌های بازنگری متفاوت مومنتوم استفاده کنند. این روش به‌جای اتکای صرف به خلاصه‌های ثابت بازده گذشته، از یک طبقه‌بند دودویی پویا برای یادگیری این موضوع استفاده می‌کند که آیا روابط میان مومنتوم گذشته و بازده آینده در حال تغییرند یا پایدار مانده‌اند. سپس سرمایه‌گذار می‌تواند، به‌ویژه پیرامون نقاط چرخش بازار، سرعت‌های مومنتوم را ترکیب یا انتخاب کند.
نویسندگان روش را با داده‌های 56 قرارداد آتی ارزیابی و با استراتژی سنتی مومنتوم سری زمانی مقایسه می‌کنند. آن‌ها گزارش می‌کنند که یک سرمایه‌گذار میانگین–واریانس برای رویکرد پویا حاضر به پرداخت کارمزد مدیریت قابل‌توجهی است و این را نشانه بهبود دقت سیگنال و عملکرد سبد می‌دانند. گزارش ارائه‌شده اندازه کارمزد، جزئیات طراحی آزمون یا نتایج تعدیل‌شده بر اساس ریسک را بیان نمی‌کند؛ بنابراین پایداری این برتری در دوره‌های مختلف یا پس از هزینه‌های پیاده‌سازی را اثبات نمی‌کند.
ایده‌های کلیدی
- قواعد ثابت مومنتوم با دوره بازنگری ممکن است تغییر رابطه بازده گذشته و آینده را از دست بدهند.
- یک طبقه‌بند دودویی پویا می‌آموزد که آیا این روابط در گذر زمان تغییر می‌کنند.
- این روش می‌تواند نزدیک نقاط چرخش، سرعت‌های مومنتوم را انتخاب یا ترکیب کند.
- ارزیابی از 56 قرارداد آتی استفاده می‌کند و روش را با مومنتوم سنتی سری زمانی مقایسه می‌کند.
- تمایل گزارش‌شده سرمایه‌گذاران به پرداخت کارمزد مدیریت حاکی از منفعت اقتصادی است، هرچند میزان آن مشخص نشده است.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.