موافق ٹرینڈ فالوئنگ کے لیے متحرک مومینٹم لرننگ
خلاصہ
یہ مضمون دیکھتا ہے کہ ٹرینڈ فالوئنگ سگنلز مومینٹم کی مختلف پچھلی مدتوں کو موافق انداز میں کیسے استعمال کر سکتے ہیں۔ ماضی کے منافع کے صرف مقررہ خلاصوں پر انحصار کرنے کے بجائے، یہ متحرک بائنری درجہ بند استعمال کرتا ہے تاکہ سیکھ سکے کہ ماضی کے مومینٹم اور مستقبل کے منافع کے تعلقات بدل رہے ہیں یا مستحکم ہیں۔ پھر سرمایہ کار مومینٹم کی رفتاریں یکجا یا منتخب کر سکتا ہے، خصوصاً مارکیٹ کے رخ بدلنے کے مقامات کے آس پاس۔
مصنفین 56 فیوچرز معاہدوں کے ڈیٹا سے طریقے کا جائزہ لیتے ہیں اور روایتی ٹائم سیریز مومینٹم اسٹریٹیجی سے اس کا موازنہ کرتے ہیں۔ ان کی رپورٹ ہے کہ اوسط-واریئنس سرمایہ کار متحرک طریقے کے لیے قابلِ ذکر انتظامی فیس ادا کرے گا، جسے وہ سگنل کی بہتر درستی اور پورٹ فولیو کارکردگی کا ثبوت بتاتے ہیں۔ فراہم کردہ بیان فیس کی رقم، آزمائش کے تفصیلی ڈیزائن یا خطرے کے مطابق نتائج نہیں دیتا، اس لیے یہ ثابت نہیں ہوتا کہ مختلف ادوار یا نفاذ کی لاگت کے تحت برتری کتنی مضبوط ہے۔
اہم خیالات
- مقررہ پچھلی مدت کے مومینٹم قواعد ماضی کے منافع اور مستقبل کے منافع کے تعلقات میں تبدیلیاں نظر انداز کر سکتے ہیں۔
- متحرک بائنری درجہ بند سیکھتا ہے کہ یہ تعلقات وقت کے ساتھ بدلتے ہیں یا نہیں۔
- یہ طریقہ رخ بدلنے کے مقامات کے آس پاس مومینٹم کی رفتاریں منتخب یا یکجا کر سکتا ہے۔
- جائزے میں 56 فیوچرز معاہدے استعمال کیے گئے اور طریقے کا روایتی ٹائم سیریز مومینٹم سے موازنہ کیا گیا۔
- سرمایہ کاروں کی انتظامی فیس ادا کرنے کی رپورٹ شدہ آمادگی معاشی فائدے کی طرف اشارہ کرتی ہے، اگرچہ اس کی مقدار واضح نہیں۔
ٹیگز
مکمل متن
# 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.
ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0
یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔