Aprendizado dinâmico de momentum para seguir tendências de forma adaptativa

Resumo

Este artigo estuda como sinais de seguimento de tendência podem usar adaptativamente diferentes períodos retrospectivos de momentum. Em vez de depender apenas de resumos fixos de retornos passados, ele aplica um classificador binário dinâmico para aprender se as relações entre o momentum passado e os retornos futuros estão mudando ou permanecem estáveis. Assim, o investidor pode combinar ou selecionar velocidades de momentum, especialmente perto de pontos de inflexão do mercado.

Os autores avaliam o método com dados de 56 contratos futuros e o comparam com uma estratégia tradicional de momentum de séries temporais. Eles relatam que um investidor de média-variância pagaria uma taxa de gestão considerável pela abordagem dinâmica, apresentando isso como evidência de maior precisão dos sinais e melhor desempenho da carteira. O relato não informa o valor da taxa, detalhes do desenho dos testes nem resultados ajustados ao risco; portanto, não demonstra quão robusta é a vantagem em diferentes períodos ou diante dos custos de implementação.

Ideias principais

• Regras fixas de momentum retrospectivo podem não captar mudanças na relação entre retornos passados e futuros.
• Um classificador binário dinâmico aprende se essas relações variam ao longo do tempo.
• O método pode selecionar ou combinar velocidades de momentum perto de pontos de inflexão.
• A avaliação usa 56 contratos futuros e compara o método com momentum tradicional de séries temporais.
• A disposição relatada dos investidores a pagar uma taxa de gestão sugere um benefício econômico, embora sua magnitude não seja especificada.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.