گاؤسی متحرک ٹریڈنگ: منافع کے لمحات اور شارپ کا تخمینہ

خلاصہ

یہ مقالہ متحرک حکمتِ عملیوں کے منافع کے پہلے چار لمحات اخذ کرتا ہے، جب اثاثوں کے منافع اور تجارتی اشارے یا وزن مشترکہ طور پر گاؤسی ہوں۔ اس میں گزشتہ منافع کے خطی فلٹرز اور ٹائم سیریز ماڈلز کی پیش گوئیوں جیسے اشارے شامل ہیں، اور حکمتِ عملی کے نتائج کو اشاروں اور آئندہ منافع کے باہمی تعلق سے ظاہر کیا گیا ہے۔

تجزیہ دعویٰ کرتا ہے کہ مفروضوں کے تحت مثبت شارپ والی متحرک حکمتِ عملیوں میں لازماً مثبت ترچھی اور اضافی کرٹوسس ہوتی ہے۔ شارپ زیادہ سے زیادہ کرنے کے لیے وزن چنتے وقت یہ عام کم سے کم مربعات کے مقابلے میں کل کم سے کم مربعات، اور متعدد اثاثوں کے لیے کینونیکل باہمی تعلق کا تجزیہ ترجیح دیتا ہے۔ یہ شارپ تناسب اور حکمتِ عملی کی ترچھی و کرٹوسس کے معیاری خطائیں بھی تیار کرتا ہے، اور کہتا ہے کہ شارپ کے تخمینے عام متبادل سے زیادہ محدود ہیں۔ نتائج کو مجانبی طور پر کئی ساکن ٹائم سیریز تک بڑھایا گیا ہے۔ یہ نتائج گاؤسی ترتیب اور اس کے مفروضوں پر منحصر ہیں؛ دستاویز کوئی مخصوص ڈیٹا سیٹ، عددی کارکردگی کے نتائج یا عملی تجارتی اخراجات نہیں دیتی۔

اہم خیالات

• مقالہ گاؤسی منافع اور گاؤسی اشاروں یا وزنوں سے متحرک حکمتِ عملی کے منافع ماڈل کرتا ہے۔
• یہ اشاروں اور آئندہ منافع کے باہمی تعلق سے منافع کے پہلے چار لمحات اخذ کرتا ہے۔
• بیان کردہ مفروضوں کے تحت مثبت شارپ حکمتِ عملیوں میں مثبت ترچھی اور اضافی کرٹوسس ہوتی ہے۔
• واحد اثاثے کے شارپ آپٹیمائزیشن کے لیے کل کم سے کم مربعات اور متعدد اثاثوں کے لیے کینونیکل باہمی تعلق کا تجزیہ تجویز کیا گیا ہے۔
• مقالہ شارپ تناسب، ترچھی اور کرٹوسس کی معیاری خطائیں اخذ کرتا ہے۔

ٹیگز

# Optimal Dynamic Strategies on Gaussian Returns


# Optimal Dynamic Strategies on Gaussian Returns









Dynamic trading strategies, in the spirit of trend-following or mean-reversion, represent an only partly understood but lucrative and pervasive area of modern finance. Assuming Gaussian returns and Gaussian dynamic weights or signals, (e.g., linear filters of past returns, such as simple moving averages, exponential weighted moving averages, forecasts from ARIMA models), we are able to derive closed-form expressions for the first four moments of the strategy's returns, in terms of correlations between the random signals and unknown future returns. By allowing for randomness in the asset-allocation and modelling the interaction of strategy weights with returns, we demonstrate that positive skewness and excess kurtosis are essential components of all positive Sharpe dynamic strategies, which is generally observed empirically; demonstrate that total least squares (TLS) or orthogonal least squares is more appropriate than OLS for maximizing the Sharpe ratio, while canonical correlation analysis (CCA) is similarly appropriate for the multi-asset case; derive standard errors on Sharpe ratios which are tighter than the commonly used standard errors from Lo; and derive standard errors on the skewness and kurtosis of strategies, apparently new results. We demonstrate these results are applicable asymptotically for a wide range of stationary time-series.

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۔