Apprentissage dynamique du momentum pour le suivi adaptatif de tendance

Résumé

Cet article étudie comment les signaux de suivi de tendance peuvent utiliser de façon adaptative différentes périodes rétrospectives de momentum. Au lieu de s’appuyer uniquement sur des résumés fixes des rendements passés, il applique un classificateur binaire dynamique pour apprendre si les relations entre le momentum passé et les rendements futurs évoluent ou restent stables. L’investisseur peut alors combiner ou sélectionner différentes vitesses de momentum, notamment aux points de retournement du marché.

Les auteurs évaluent la méthode à l’aide de données provenant de 56 contrats à terme et la comparent à une stratégie traditionnelle de momentum en séries temporelles. Ils rapportent qu’un investisseur moyenne-variance serait prêt à payer des frais de gestion considérables pour l’approche dynamique, ce qu’ils présentent comme un signe d’amélioration de la précision des signaux et de la performance du portefeuille. Le compte rendu fourni ne précise ni le montant des frais, ni le protocole détaillé des tests, ni les résultats ajustés du risque ; il n’établit donc pas la robustesse de cet avantage selon les périodes et les coûts de mise en œuvre.

Idées clés

• Les règles de momentum à période rétrospective fixe peuvent manquer les changements dans le lien entre les rendements passés et futurs.
• Un classificateur binaire dynamique apprend si ces relations évoluent dans le temps.
• La méthode peut sélectionner ou combiner différentes vitesses de momentum aux points de retournement.
• L’évaluation utilise 56 contrats à terme et compare la méthode au momentum traditionnel en séries temporelles.
• La disposition déclarée des investisseurs à payer des frais de gestion suggère un avantage économique, dont l’ampleur n’est toutefois pas précisée.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.