Primes de tendance : redondance entre horizons moyen et voisins

Résumé

L’article remet en question l’idée selon laquelle combiner des signaux de tendance sur de nombreux horizons améliore toujours la diversification. Il sélectionne dynamiquement les pondérations des horizons pour chaque actif par optimisation bayésienne, puis applique des modèles graphiques bayésiens creux avec contrôle du taux de rotation pour répartir le portefeuille entre les actifs. Cette approche diffère d’une pondération égale, qui suppose que chaque actif bénéficie autant de chaque horizon.

Les auteurs constatent que la composante à moyen terme apporte peu de performance ou de diversification supplémentaire lorsque les tendances à court et à long terme sont déjà incluses. Selon leurs résultats, supprimer la couche de 125 jours améliore les ratios de Sharpe et l’efficacité du drawdown tout en préservant la corrélation avec l’indice de référence. Une analyse de variance minimale confirme l’interprétation selon laquelle les signaux à moyen terme se chevauchent avec les horizons voisins, ce qui motive une allocation plus simple en haltère entre court et long terme. Les affirmations sont propres au cadre et aux éléments étudiés ; l’extrait ne fournit ni détails sur l’échantillon ni résultats de robustesse et n’établit donc pas que la même combinaison d’horizons soit optimale sur différents marchés ou régimes.

Idées clés

• Une pondération égale des horizons suppose que chaque actif bénéficie autant de chaque échelle de temps des tendances.
• Les auteurs optimisent les pondérations des horizons au niveau des actifs avant de répartir le portefeuille entre eux.
• Dans leur analyse, la tendance à moyen terme apporte peu de valeur supplémentaire aux signaux à court et à long terme.
• Selon les résultats rapportés, supprimer la couche de 125 jours améliore les ratios de Sharpe et l’efficacité du drawdown tout en préservant la corrélation avec l’indice de référence.
• Une allocation en haltère entre court et long terme peut réduire la redondance et la complexité du modèle.

Étiquettes

# Revisiting the Structure of Trend Premia: When Diversification Hides Redundancy


# Revisiting the Structure of Trend Premia: When Diversification Hides Redundancy









Recent work has emphasized the diversification benefits of combining trend signals across multiple horizons, with the medium-term window-typically six months to one year-long viewed as the "sweet spot" of trend-following. This paper revisits this conventional view by reallocating exposure dynamically across horizons using a Bayesian optimization framework designed to learn the optimal weights assigned to each trend horizon at the asset level. The common practice of equal weighting implicitly assumes that all assets benefit equally from all horizons; we show that this assumption is both theoretically and empirically suboptimal. We first optimize the horizon-level weights at the asset level to maximize the informativeness of trend signals before applying Bayesian graphical models-with sparsity and turnover control-to allocate dynamically across assets. The key finding is that the medium-term band contributes little incremental performance or diversification once short- and long-term components are included. Removing the 125-day layer improves Sharpe ratios and drawdown efficiency while maintaining benchmark correlation. We then rationalize this outcome through a minimum-variance formulation, showing that the medium-term horizon largely overlaps with its neighboring horizons. The resulting "barbell" structure-combining short- and long-term trends-captures most of the performance while reducing model complexity. This result challenges the common belief that more horizons always improve diversification and suggests that some forms of time-scale diversification may conceal unnecessary redundancy in trend premia.

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.