Régimes de stationnarité des actions et trading mécanique adapté

Résumé

Cette étude applique la théorie KM₂O-Langevin pour classer les fluctuations des cours des actions comme stationnaires, non stationnaires ou intermédiaires. Elle utilise cette classification pour choisir entre deux types de signaux : les moyennes mobiles pour les périodes stationnaires et les lignes psychologiques, un oscillateur, pour les périodes non stationnaires. Les auteurs présentent cette méthode comme un moyen d’adapter les décisions de trading mécaniques aux propriétés statistiques changeantes des prix.

Ils effectuent un backtest de la stratégie illustrée sur le Nikkei Stock Average et rapportent un drawdown maximal faible, qualifiant l’approche de peu risquée. Le document présente ce résultat comme un indice que l’analyse de stationnarité peut éclairer le trading, mais il ne fournit ni mesures de performance chiffrées, ni période de test, ni coûts, ni comparaison avec des références. Les résultats décrivent donc une application historique et ne permettent pas d’établir que la stratégie restera sûre ou efficace sur d’autres marchés ou dans d’autres conditions.

Idées clés

• La théorie KM₂O-Langevin sert à classer les fluctuations des prix en périodes stationnaires, non stationnaires et intermédiaires.
• La stratégie illustrée utilise des moyennes mobiles pendant les périodes stationnaires.
• Des lignes psychologiques servent d’oscillateur pendant les périodes non stationnaires.
• Un backtest sur le Nikkei Stock Average est présenté comme ayant un drawdown maximal faible.
• La description omet des détails essentiels du backtest, tels que les coûts, la période et les comparaisons avec des références.

Étiquettes

# Stationarity analysis of the stock market data and its application to mechanical trading


# Stationarity analysis of the stock market data and its application to mechanical trading









This study proposes a scheme for stationarity analysis of stock price fluctuations based on KM$_2$O-Langevin theory. Using this scheme, we classify the time-series data of stock price fluctuations into three periods: stationary, non-stationary, and intermediate. We then suggest an example of a low-risk stock trading strategy to demonstrate the usefulness of our scheme by using actual stock index data. Our strategy uses a trend-based indicator, moving averages, for stationary periods and an oscillator-based indicator, psychological lines, for non-stationary periods to make trading decisions. Finally, we confirm that our strategy is a safe trading strategy with small maximum drawdown by back testing on the Nikkei Stock Average. Our study, the first to apply the stationarity analysis of KM$_2$O-Langevin theory to actual mechanical trading, opens up new avenues for stock price prediction.

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.