ハースト指数でモメンタムと平均回帰を切り替える
記事 arXiv papers · 著者: Y. Chang et al.
サマリー
本研究では、ハースト指数を使って時系列をトレンド型か平均回帰型かに分類し、その性質に合う戦略を選びます。トレンドがある状況にはモメンタムを、価格が平均回帰を示す場合には平均回帰戦略を対応させます。どちらか一方を常に使うのではなく、市場レジームの推定に応じて戦略を選ぶのが中心的な考え方です。
ハースト指数に基づく選択で、リスクの上昇を伴いながらリターンが高くなる場合があると報告しています。資産、サンプル期間、閾値、取引ルール、取引コスト、定量的な成績は示されておらず、概要だけでは結果を独立に評価できません。また、研究の限界を挙げ、戦略や構成アルゴリズムの実装を改善する方法としてQ学習を提案しています。これは今後の提案であり、ここではQ学習の結果を報告していません。したがって、この手法はレジーム選択の考え方を示す一方、頑健性と実務上の成績は未解決のままです。
主なアイデア
- ハースト指数を使って、トレンド型と平均回帰型の挙動を見分けます。
- トレンドにはモメンタムを、平均回帰の状況には平均回帰戦略を選びます。
- ハースト指数に基づく戦略選択では、より高いリターンとともにリスクも高まると報告されています。
- 改善策としてQ学習を提案していますが、その結果は示されていません。
- コスト、閾値、アウト・オブ・サンプルでの頑健性を評価するための詳細は提示されていません。
タグ
全文
# 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.
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。