적응형 추세 추종을 위한 동적 모멘텀 학습
기사 arXiv papers · 저자: Bruno P. C. Levy et al.
요약
이 글은 추세 추종 신호가 서로 다른 모멘텀 관측 기간을 어떻게 적응적으로 활용하는지 연구합니다. 과거 수익률의 고정된 요약치에만 의존하는 대신 동적 이진 분류기를 적용해 과거 모멘텀과 미래 수익률 간 관계가 변하는지, 안정적으로 유지되는지 학습합니다. 그러면 투자자는 특히 시장 전환점 부근에서 여러 모멘텀 속도를 결합하거나 선택할 수 있습니다.
저자들은 56개 선물 계약의 데이터를 사용해 방법을 평가하고 전통적인 시계열 모멘텀 전략과 비교합니다. 평균-분산 투자자가 동적 접근법에 상당한 운용 수수료를 지불할 것이라고 보고하며, 이를 신호 정확도와 포트폴리오 성과의 개선 근거로 설명합니다. 제공된 설명에는 수수료 규모, 상세한 검증 설계 또는 위험 조정 결과가 없어 기간과 실행 비용 전반에서 우위가 얼마나 견고한지는 입증되지 않습니다.
핵심 아이디어
- 고정된 관측 기간의 모멘텀 규칙은 과거 수익률과 미래 수익률 간 관계의 변화를 놓칠 수 있습니다.
- 동적 이진 분류기가 이러한 관계가 시간에 따라 달라지는지 학습합니다.
- 전환점 부근에서 모멘텀 속도를 선택하거나 결합할 수 있습니다.
- 평가에는 56개 선물 계약이 사용되며, 방법을 전통적인 시계열 모멘텀과 비교합니다.
- 투자자가 운용 수수료를 지불할 의향이 있다는 보고는 경제적 이점을 시사하지만, 규모는 명시되지 않습니다.
태그
전문
# 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.
출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0
이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.