Utiliser l’exposant de Hurst pour alterner momentum et retour à la moyenne

Résumé

Cette étude utilise l’exposant de Hurst pour classer une série temporelle comme tendancielle ou à retour à la moyenne, puis sélectionne une stratégie adaptée à ce comportement. Le momentum est associé aux tendances, tandis que le retour à la moyenne est utilisé lorsque les cours présentent ce comportement. L’idée centrale consiste à adapter le choix de stratégie à une estimation du régime de marché, plutôt qu’à appliquer continuellement l’une ou l’autre approche.

Le document indique que cette sélection fondée sur l’exposant de Hurst peut produire des rendements plus élevés, accompagnés d’un risque supérieur. Il ne précise ni les actifs, ni la période étudiée, ni les seuils, les règles de trading, les coûts de transaction ou les chiffres de performance, de sorte que le résultat ne peut pas être évalué indépendamment à partir de la synthèse. Il relève également des limites de l’étude et propose le Q-learning comme piste pour améliorer la stratégie et la mise en œuvre de ses algorithmes constitutifs. Cette proposition est prospective ; aucun résultat du Q-learning n’est présenté ici. L’approche illustre donc un concept de sélection selon le régime, mais sa robustesse et ses performances pratiques restent à établir.

Idées clés

• L’exposant de Hurst sert à distinguer un comportement tendanciel d’un retour à la moyenne.
• La méthode choisit le momentum en période de tendance et le retour à la moyenne lorsque les cours présentent ce comportement.
• L’étude rapporte des rendements plus élevés, accompagnés d’un risque supérieur, pour la sélection de stratégies fondée sur Hurst.
• Le document propose le Q-learning comme amélioration possible, mais ne présente aucun résultat à ce sujet.
• Les détails nécessaires pour évaluer les coûts, les seuils et la robustesse hors échantillon ne sont pas fournis.

Étiquettes

# 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.

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.