آزمون استراتژی‌های سبد سهام بازگشت‌به‌میانگین با داده‌های جدید

خلاصه

این پژوهش تجربی می‌سنجد آیا استراتژی‌های سبد آنلاینِ طراحی‌شده برای بهره‌گیری از بازگشت‌به‌میانگین، فراتر از مجموعه‌داده‌های معیار هم عملکرد خوبی دارند یا نه. سه رویکرد را بررسی می‌کند: بازگشت‌به‌میانگین تهاجمی منفعل، بازگشت میانگین متحرک آنلاین و بهینه‌سازی هزینه معامله. پژوهشگران قیمت‌های تاریخی اجزای S&P 500 از 2000 تا 2017 را در کنار مجموعه‌داده‌های معیار تثبیت‌شده به‌کار می‌گیرند تا بررسی کنند چرا این استراتژی‌ها در آزمون‌های رایج به‌ویژه موفق به نظر می‌رسند و آیا بر داده‌های جدیدتر بازار نیز کار می‌کنند.

یافته‌های گزارش‌شده هشداردهنده‌اند: مجموعه‌داده‌های معیار ممکن است به روش‌های بازگشت‌به‌میانگین سوگیری داشته باشند و نتایج قوی در آن داده‌ها لزوماً به شرایط گسترده‌تر بازار تعمیم نمی‌یابند. استراتژی‌ها حتی در شرایط ظاهراً مساعد هم ممکن است شکست بخورند، به‌ویژه وقتی هزینه‌های معامله صریح یا ضمنی وجود دارند. سند جزئیات عملکرد، گزینه‌های پیاده‌سازی یا فرض‌های هزینه را ارائه نمی‌کند؛ بنابراین مشخص نمی‌کند کدام روش بهتر عمل می‌کند یا نتایج در دوره‌های جداگانه چگونه تغییر می‌کنند. درس اصلی آن است که استراتژی‌های سبد را با درنظرگرفتن اصطکاک‌های معامله، روی داده‌های نماینده بیازمایید.

ایده‌های کلیدی

• پژوهش، استراتژی‌های PAMR، OLMAR و بهینه‌سازی هزینه معامله را ارزیابی می‌کند.
• مجموعه‌داده‌های معیار تثبیت‌شده را با قیمت‌های تاریخی اجزای S&P 500 از 2000 تا 2017 مقایسه می‌کند.
• مجموعه‌داده‌های معیار می‌توانند به استراتژی‌های بازگشت‌به‌میانگین سوگیری داشته باشند و تصویری ناقص از عملکرد بدهند.
• استراتژی‌های آزموده‌شده حتی در شرایطی که ظاهراً مساعدند ممکن است شکست بخورند.
• هزینه‌های صریح و ضمنی معامله می‌توانند نتایج بازگشت‌به‌میانگین را تضعیف کنند.

برچسب‌ها

# Empirical investigation of state-of-the-art mean reversion strategies for equity markets


# Empirical investigation of state-of-the-art mean reversion strategies for equity markets









Recent studies have shown that online portfolio selection strategies that exploit the mean reversion property can achieve excess return from equity markets. This paper empirically investigates the performance of state-of-the-art mean reversion strategies on real market data. The aims of the study are twofold. The first is to find out why the mean reversion strategies perform extremely well on well-known benchmark datasets, and the second is to test whether or not the mean reversion strategies work well on recent market data. The mean reversion strategies used in this study are the passive aggressive mean reversion (PAMR) strategy, the on-line moving average reversion (OLMAR) strategy, and the transaction cost optimization (TCO) strategies. To test the strategies, we use the historical prices of the stocks that constitute S\&P 500 index over the period from 2000 to 2017 as well as well-known benchmark datasets. Our findings are that the well-known benchmark datasets favor mean reversion strategies, and mean reversion strategies may fail even in favorable market conditions, especially when there exist explicit or implicit transaction costs.

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.