استفاده از توان هرست برای جابه‌جایی میان مومنتوم و بازگشت به میانگین
خلاصه
این مطالعه با استفاده از توان هرست، سری زمانی را به‌عنوان رونددار یا بازگشت‌کننده به میانگین دسته‌بندی می‌کند و سپس استراتژی متناسب با آن رفتار را برمی‌گزیند. مومنتوم با شرایط رونددار و بازگشت به میانگین با رفتار قیمتِ بازگشت‌کننده به میانگین تطبیق داده می‌شود. ایده اصلی، سازگارکردن انتخاب استراتژی با برآورد رژیم بازار است، به‌جای آنکه هر یک از این دو رویکرد پیوسته به کار رود.
سند گزارش می‌کند که انتخاب مبتنی بر هرست می‌تواند بازده بیشتری ایجاد کند و با ریسک بالاتری همراه باشد. دارایی‌ها، دوره نمونه، آستانه‌ها، قواعد معاملاتی، هزینه‌های تراکنش یا ارقام کمی عملکرد مشخص نشده‌اند؛ بنابراین نمی‌توان نتیجه را مستقلاً از روی خلاصه ارزیابی کرد. سند همچنین محدودیت‌های مطالعه را برمی‌شمارد و یادگیری Q را به‌عنوان راهی احتمالی برای بهبود استراتژی و پیاده‌سازی الگوریتم‌های اجزای آن پیشنهاد می‌کند. این پیشنهاد ناظر به آینده است و نتیجه‌ای از یادگیری Q در اینجا گزارش نشده است. در نتیجه، این رویکرد مفهوم گزینش رژیم را نشان می‌دهد، اما استحکام و عملکرد عملی آن همچنان نامشخص است.
ایده‌های کلیدی
- توان هرست برای تمایز میان رفتار رونددار و بازگشت‌کننده به میانگین به کار می‌رود.
- این روش برای روندها مومنتوم و برای شرایط بازگشت به میانگین، راهبرد بازگشت به میانگین را انتخاب می‌کند.
- مطالعه برای انتخاب استراتژی مبتنی بر توان هرست، بازده بیشتر را همراه با ریسک بالاتر گزارش می‌کند.
- سند یادگیری Q را به‌عنوان بهبودی احتمالی پیشنهاد می‌کند، اما نتیجه‌ای از آن ارائه نمی‌دهد.
- جزئیات لازم برای ارزیابی هزینه‌ها، آستانه‌ها و استحکام خارج از نمونه ارائه نشده‌اند.
برچسب‌ها
متن کامل
# 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.
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.