שימוש במעריך הרסט למעבר בין מומנטום לחזרה לממוצע
סיכום
מחקר זה משתמש במעריך הרסט כדי לסווג סדרת זמן כמגמתית או כחוזרת לממוצע, ואז בוחר אסטרטגיה המיועדת להתאים להתנהגות זו. מומנטום מותאם לתנאים מגמתיים, ואילו חזרה לממוצע משמשת כשהמחירים מציגים התנהגות כזו. הרעיון המרכזי הוא להתאים את בחירת האסטרטגיה לאומדן של משטר השוק, במקום להפעיל אחת מהגישות ברציפות.
המסמך מדווח שבחירה המבוססת על הרסט עשויה להניב תשואות גבוהות יותר, לצד סיכון גבוה יותר. הוא אינו מפרט נכסים, תקופת מדגם, ספים, כללי מסחר, עלויות עסקה או נתוני ביצועים כמותיים, ולכן אי אפשר לשפוט את התוצאה באופן עצמאי מתוך הסיכום. הוא גם מצביע על מגבלות במחקר ומציע למידת Q כדרך אפשרית לשיפור האסטרטגיה ויישום האלגוריתמים המרכיבים אותה. זו הצעה לעתיד; לא מדווחות כאן תוצאות של למידת Q. לכן הגישה ממחישה רעיון לבחירת משטר, אך העמידות והביצועים המעשיים שלה נותרו בלתי מוכרעים.
רעיונות מרכזיים
- מעריך הרסט משמש להבחנה בין התנהגות מגמתית להתנהגות חוזרת לממוצע.
- השיטה בוחרת מומנטום למגמות וחזרה לממוצע לתנאים של חזרה לממוצע.
- המחקר מדווח על תשואות גבוהות יותר לצד סיכון גבוה יותר בבחירת אסטרטגיה המבוססת על הרסט.
- המסמך מציע למידת Q כשיפור אפשרי, אך אינו מציג תוצאות עבורה.
- לא סופקו פרטים הנחוצים להערכת עלויות, ספים ועמידות מחוץ למדגם.
תגיות
הטקסט המלא
# 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.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.