Премии за следование за трендом: избыточность среднесрочного и соседних горизонтов

Сводка

В статье ставится вопрос, всегда ли сочетание сигналов тренда на множестве временных горизонтов улучшает диверсификацию. Авторы динамически подбирают веса горизонтов для каждого актива с помощью байесовской оптимизации, а затем используют разреженные байесовские графические модели с контролем оборота для распределения средств между активами. Такой подход отличается от равного взвешивания, при котором предполагается, что каждый актив одинаково выигрывает от каждого горизонта.

Авторы обнаруживают, что после добавления краткосрочных и долгосрочных трендов среднесрочный компонент почти не повышает доходность или диверсификацию. Согласно их результатам, удаление слоя 125 дней улучшает коэффициенты Шарпа и эффективность просадки, сохраняя корреляцию с эталоном. Анализ минимальной дисперсии подтверждает предположение, что среднесрочные сигналы перекрываются с соседними горизонтами, что говорит в пользу более простой комбинации краткосрочного и долгосрочного трендов. Выводы относятся к модели и данным статьи; в отрывке нет подробностей о выборке или проверке устойчивости, поэтому он не доказывает, что такое сочетание горизонтов оптимально для разных рынков или режимов.

Ключевые идеи

• Равное взвешивание горизонтов предполагает, что каждый актив одинаково выигрывает от каждого временного масштаба тренда.
• Сначала авторы оптимизируют веса горизонтов отдельно для каждого актива, а затем распределяют средства между активами.
• В их анализе среднесрочный компонент тренда почти не даёт дополнительной ценности к краткосрочным и долгосрочным сигналам.
• Согласно результатам, удаление слоя 125 дней улучшает коэффициенты Шарпа и эффективность просадки, сохраняя корреляцию с эталоном.
• Сочетание краткосрочного и долгосрочного трендов может снизить избыточность и сложность модели.

Теги

# 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.

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.