Tester les stratégies de portefeuille à retour vers la moyenne sur des actions récentes

Résumé

Cette étude empirique évalue si les stratégies de portefeuille en ligne conçues pour exploiter le retour vers la moyenne fonctionnent au-delà des jeux de données de référence. Elle examine trois approches : le retour vers la moyenne passif-agressif, le retour vers la moyenne par moyenne mobile en ligne et l’optimisation des coûts de transaction. Les chercheurs utilisent les cours historiques des titres de l’indice S&P 500 de 2000 à 2017, ainsi que des jeux de données de référence établis, pour étudier pourquoi ces stratégies peuvent sembler particulièrement performantes dans les tests courants et si elles fonctionnent également sur des données de marché plus récentes.

Les résultats rapportés appellent à la prudence : les jeux de données de référence peuvent favoriser les méthodes de retour vers la moyenne, et leurs bons résultats ne se transposent pas nécessairement à des conditions de marché plus larges. Les stratégies peuvent échouer même lorsque les conditions semblent favorables, en particulier en présence de coûts de transaction explicites ou implicites. Le document ne fournit ni chiffres détaillés de performance, ni choix de mise en œuvre ou hypothèses de coûts ; il n’établit donc pas quelle méthode est la plus performante ni comment les résultats varient selon les périodes. Sa principale leçon est de tester les stratégies de portefeuille sur des données représentatives en tenant compte des frictions de trading.

Idées clés

• L’étude évalue les stratégies PAMR, OLMAR et d’optimisation des coûts de transaction.
• Elle compare des jeux de données de référence établis aux cours historiques des titres de l’indice S&P 500, de 2000 à 2017.
• Les jeux de données de référence peuvent favoriser les stratégies de retour vers la moyenne et donner une image incomplète de leurs performances.
• Les stratégies testées peuvent échouer même dans des conditions apparemment favorables.
• Les coûts de transaction explicites et implicites peuvent compromettre les résultats des stratégies de retour vers la moyenne.

Étiquettes

# 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.

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.