허스트 지수로 모멘텀과 평균 회귀 전략 전환하기
기사 arXiv papers · 저자: Y. Chang et al.
요약
이 연구는 허스트 지수로 시계열을 추세형 또는 평균 회귀형으로 분류한 뒤, 그 움직임에 맞는 전략을 선택합니다. 추세가 있는 조건에는 모멘텀을, 가격이 평균 회귀 움직임을 보이면 평균 회귀 전략을 적용합니다. 핵심은 두 접근법을 계속 적용하는 대신 시장 국면 추정치에 맞춰 전략 선택을 조정하는 것입니다.
문서는 허스트 지수 기반 선택이 더 높은 위험을 수반하면서 더 높은 수익을 낼 수 있다고 보고합니다. 자산, 표본 기간, 임계값, 매매 규칙, 거래 비용, 정량적 성과 수치는 제시되지 않아 요약만으로 결과를 독립적으로 판단할 수 없습니다. 연구의 한계를 짚고 전략과 구성 알고리즘을 개선할 수 있는 방법으로 Q-러닝도 제안합니다. 이는 향후 제안이며 여기에는 Q-러닝 결과가 보고되지 않았습니다. 따라서 이 접근법은 국면 선택 개념을 보여주지만 견고성과 실무 성과는 여전히 확인되지 않았습니다.
핵심 아이디어
- 허스트 지수로 추세형과 평균 회귀형 움직임을 구분합니다.
- 추세에는 모멘텀을, 평균 회귀 조건에는 평균 회귀 전략을 선택합니다.
- 허스트 지수 기반 전략 선택은 더 높은 수익과 더 높은 위험을 보였다고 보고합니다.
- 개선 가능성으로 Q-러닝을 제안하지만 이에 대한 결과는 제시하지 않습니다.
- 비용, 임계값, 표본 외 견고성을 평가하는 데 필요한 세부 정보가 없습니다.
태그
전문
# 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.
출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0
이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.