Uso do expoente de Hurst para alternar entre momentum e reversão à média

Resumo

Este estudo usa o expoente de Hurst para classificar uma série temporal como tendencial ou de reversão à média e, então, selecionar uma estratégia adequada a esse comportamento. O momentum é associado a condições de tendência, enquanto a reversão à média é usada quando os preços apresentam esse comportamento. A ideia central é adaptar a escolha da estratégia a uma estimativa do regime de mercado, em vez de aplicar continuamente uma das abordagens.

O documento relata que essa seleção baseada no expoente de Hurst pode gerar retornos maiores, acompanhados de risco mais alto. Não especifica ativos, período da amostra, limiares, regras de trading, custos de transação nem números quantitativos de desempenho; portanto, o resultado não pode ser avaliado de forma independente com base no resumo. Também identifica limitações do estudo e propõe o Q-learning como uma possível forma de aprimorar a estratégia e a implementação de seus algoritmos componentes. Essa proposta é prospectiva; nenhum resultado de Q-learning é apresentado aqui. A abordagem ilustra um conceito de seleção de regime, mas deixa em aberto sua robustez e seu desempenho prático.

Ideias principais

• O expoente de Hurst é usado para distinguir comportamentos de tendência e de reversão à média.
• O método seleciona momentum para tendências e reversão à média para condições de reversão à média.
• O estudo relata retornos maiores acompanhados de risco mais alto com a seleção de estratégias baseada em Hurst.
• O documento propõe o Q-learning como possível aprimoramento, mas não apresenta resultados dessa abordagem.
• Não são fornecidos detalhes necessários para avaliar custos, limiares e robustez fora da amostra.

Tags

# 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.

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.