Динамическое обучение импульсу для адаптивного следования за трендом

Сводка

В статье изучается, как сигналы следования за трендом могут адаптивно использовать разные периоды ретроспективного анализа импульса. Вместо того чтобы полагаться только на фиксированные сводные показатели прошлой доходности, применяется динамический бинарный классификатор, который определяет, меняются ли связи между прошлым импульсом и будущей доходностью или остаются стабильными. Затем инвестор может комбинировать или выбирать периоды импульса, особенно вблизи рыночных разворотов.

Авторы оценивают метод на данных по 56 фьючерсным контрактам и сравнивают его с традиционной стратегией импульса временных рядов. Сообщается, что инвестор, использующий подход среднего и дисперсии, готов был бы платить значительную комиссию за управление динамическим подходом; это приводится как свидетельство повышения точности сигналов и эффективности портфеля. В представленном описании не указаны размер комиссии, подробная схема тестирования или результаты с поправкой на риск, поэтому оно не устанавливает устойчивость преимущества в разные периоды или с учетом издержек реализации.

Ключевые идеи

• Фиксированные правила импульса с заданным периодом анализа могут не учитывать изменения связи прошлой доходности с будущей.
• Динамический бинарный классификатор определяет, меняются ли эти связи со временем.
• Метод позволяет выбирать или комбинировать периоды импульса вблизи точек разворота.
• В оценке используются 56 фьючерсных контрактов; метод сравнивается с традиционным импульсом временных рядов.
• Сообщаемая готовность инвесторов платить комиссию за управление указывает на экономическую выгоду, хотя ее размер не указан.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.