トレンドフォローのための動的モメンタム学習
記事 arXiv papers · 著者: Bruno P. C. Levy et al.
サマリー
本記事は、トレンドフォローのシグナルが異なるモメンタムの参照期間をどう適応的に使えるかを研究します。過去リターンの固定的な要約だけに頼らず、動的な二値分類器を適用し、過去のモメンタムと将来リターンの関係が変化しているのか、安定しているのかを学習します。投資家は、特に相場の転換点で、モメンタムの速度を組み合わせたり選択したりできます。
著者らは、56の先物契約のデータを用いて手法を評価し、従来の時系列モメンタム戦略と比較します。平均・分散型の投資家は動的手法にかなりの運用報酬を支払うと報告しており、これをシグナル精度とポートフォリオ成績の改善を示す証拠としています。説明には報酬額、詳細なテスト設計、リスク調整後の結果が示されていないため、期間や実装コストをまたいだ優位性の頑健性は確立されていません。
主なアイデア
- 固定された参照期間のモメンタムルールでは、過去リターンと将来リターンの関係の変化を見落とす可能性があります。
- 動的な二値分類器が、こうした関係が時間とともに変化するかを学習します。
- 転換点の前後で、モメンタムの速度を選択または組み合わせられます。
- 評価には56の先物契約を用い、従来の時系列モメンタムと比較します。
- 投資家の運用報酬に対する支払意思額が報告されており、経済的な利点を示唆しますが、その額は明示されていません。
タグ
全文
# Trend-Following Strategies via Dynamic Momentum Learning # Trend-Following Strategies via Dynamic Momentum Learning Time series momentum strategies are widely applied in the quantitative financial industry and its academic research has grown rapidly since the work of Moskowitz, Ooi and Pedersen (2012). However, trading signals are usually obtained via simple observation of past return measurements. In this article we study the benefits of incorporating dynamic econometric models to sequentially learn the time-varying importance of different look-back periods for individual assets. By the use of a dynamic binary classifier model, the investor is able to switch between time-varying or constant relations between past momentum and future returns, dynamically combining or selecting different momentum speeds during turning points, improving trading signals accuracy and portfolio performance. Using data from 56 future contracts we show that a mean-variance investor will be willing to pay a considerable management fee to switch from the traditional naive time series momentum strategy to the dynamic classifier approach.
出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0
この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。