Prêmios de tendência: redundância entre horizontes de médio prazo e adjacentes

Resumo

O artigo questiona se combinar sinais de tendência em muitos horizontes sempre melhora a diversificação. Ele seleciona dinamicamente os pesos dos horizontes para cada ativo usando otimização bayesiana e, em seguida, aplica modelos gráficos bayesianos esparsos com controle de giro da carteira para alocar entre ativos. Isso contrasta com a ponderação igual, que pressupõe que cada ativo se beneficia igualmente de cada horizonte.

Os autores concluem que o componente de médio prazo acrescenta pouco desempenho ou diversificação após a inclusão das tendências de curto e longo prazo. Segundo o relato, remover a camada de 125 dias melhora os índices de Sharpe e a eficiência do drawdown, preservando a correlação com o benchmark. Uma análise de variância mínima sustenta a interpretação de que sinais de médio prazo se sobrepõem a horizontes próximos, motivando uma combinação mais simples de curto e longo prazo. As afirmações se limitam ao modelo e às evidências do artigo; o trecho não informa detalhes da amostra nem resultados de robustez e, portanto, não demonstra que a mesma combinação de horizontes seja ideal em todos os mercados ou regimes.

Ideias principais

• A ponderação igual dos horizontes pressupõe que cada ativo se beneficia igualmente de todas as escalas de tempo das tendências.
• Os autores otimizam os pesos dos horizontes por ativo antes de alocar entre ativos.
• Na análise, o componente de tendência de médio prazo acrescenta pouco valor junto a sinais de curto e longo prazo.
• Segundo o relato, remover a camada de 125 dias melhora os índices de Sharpe e a eficiência do drawdown, mantendo a correlação com o benchmark.
• Uma combinação de curto e longo prazo pode reduzir redundância e complexidade do modelo.

Tags

# Revisiting the Structure of Trend Premia: When Diversification Hides Redundancy


# Revisiting the Structure of Trend Premia: When Diversification Hides Redundancy









Recent work has emphasized the diversification benefits of combining trend signals across multiple horizons, with the medium-term window-typically six months to one year-long viewed as the "sweet spot" of trend-following. This paper revisits this conventional view by reallocating exposure dynamically across horizons using a Bayesian optimization framework designed to learn the optimal weights assigned to each trend horizon at the asset level. The common practice of equal weighting implicitly assumes that all assets benefit equally from all horizons; we show that this assumption is both theoretically and empirically suboptimal. We first optimize the horizon-level weights at the asset level to maximize the informativeness of trend signals before applying Bayesian graphical models-with sparsity and turnover control-to allocate dynamically across assets. The key finding is that the medium-term band contributes little incremental performance or diversification once short- and long-term components are included. Removing the 125-day layer improves Sharpe ratios and drawdown efficiency while maintaining benchmark correlation. We then rationalize this outcome through a minimum-variance formulation, showing that the medium-term horizon largely overlaps with its neighboring horizons. The resulting "barbell" structure-combining short- and long-term trends-captures most of the performance while reducing model complexity. This result challenges the common belief that more horizons always improve diversification and suggests that some forms of time-scale diversification may conceal unnecessary redundancy in trend premia.

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.