معاملات پویای گاوسی: گشتاورهای بازده و برآورد شارپ
خلاصه
این مقاله چهار گشتاور نخست بازده را برای راهبردهای پویا، در حالتی استخراج می‌کند که بازده دارایی‌ها و سیگنال‌ها یا وزن‌های معاملاتی به‌طور مشترک گاوسی باشند. سیگنال‌هایی مانند فیلترهای خطی بازده‌های گذشته و پیش‌بینی‌های مدل‌های سری زمانی را بررسی می‌کند و پیامدهای راهبرد را با همبستگی میان سیگنال‌ها و بازده‌های آتی بیان می‌کند.
تحلیل استدلال می‌کند که طبق فرض‌های آن، راهبردهای پویای دارای شارپ مثبت الزاماً چولگی مثبت و کشیدگی اضافی مثبت دارند. برای انتخاب وزن‌ها با هدف بیشینه‌سازی شارپ، حداقل مربعات کل را به حداقل مربعات معمولی و برای چند دارایی، تحلیل همبستگی کانونی را ترجیح می‌دهد. همچنین خطاهای استاندارد نسبت‌های شارپ و چولگی و کشیدگی راهبرد را تدوین می‌کند و می‌گوید برآوردهای شارپ از یک روش جایگزین رایج دقیق‌ترند. نتایج به‌صورت مجانبی به بسیاری از سری‌های زمانی ایستا تعمیم می‌یابند. این نتیجه‌گیری‌ها به چارچوب گاوسی و فرض‌های آن وابسته‌اند؛ سند مجموعه‌داده مشخص، نتایج عملکردی عددی یا هزینه‌های عملی معامله را ارائه نمی‌کند.
ایده‌های کلیدی
- مقاله بازده راهبردهای پویا را با بازده‌ها و سیگنال‌ها یا وزن‌های گاوسی مدل‌سازی می‌کند.
- چهار گشتاور نخست بازده را از همبستگی سیگنال‌ها و بازده‌های آتی استخراج می‌کند.
- طبق فرض‌های بیان‌شده، راهبردهای دارای شارپ مثبت، چولگی مثبت و کشیدگی اضافی دارند.
- برای بهینه‌سازی شارپ تک‌دارایی، حداقل مربعات کل و برای چند دارایی، تحلیل همبستگی کانونی پیشنهاد می‌شود.
- مقاله خطاهای استاندارد نسبت شارپ، چولگی و کشیدگی را استخراج می‌کند.
برچسب‌ها
متن کامل
# Optimal Dynamic Strategies on Gaussian Returns # Optimal Dynamic Strategies on Gaussian Returns Dynamic trading strategies, in the spirit of trend-following or mean-reversion, represent an only partly understood but lucrative and pervasive area of modern finance. Assuming Gaussian returns and Gaussian dynamic weights or signals, (e.g., linear filters of past returns, such as simple moving averages, exponential weighted moving averages, forecasts from ARIMA models), we are able to derive closed-form expressions for the first four moments of the strategy's returns, in terms of correlations between the random signals and unknown future returns. By allowing for randomness in the asset-allocation and modelling the interaction of strategy weights with returns, we demonstrate that positive skewness and excess kurtosis are essential components of all positive Sharpe dynamic strategies, which is generally observed empirically; demonstrate that total least squares (TLS) or orthogonal least squares is more appropriate than OLS for maximizing the Sharpe ratio, while canonical correlation analysis (CCA) is similarly appropriate for the multi-asset case; derive standard errors on Sharpe ratios which are tighter than the commonly used standard errors from Lo; and derive standard errors on the skewness and kurtosis of strategies, apparently new results. We demonstrate these results are applicable asymptotically for a wide range of stationary time-series.
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.