حالیہ ایکویٹی ڈیٹا پر اوسط کی طرف واپسی والی پورٹ فولیو حکمتِ عملیوں کی آزمائش

خلاصہ

یہ تجرباتی مطالعہ جانچتا ہے کہ اوسط کی طرف واپسی سے فائدہ اٹھانے کے لیے بنائی گئی آن لائن پورٹ فولیو حکمتِ عملیاں بینچ مارک ڈیٹا سیٹس سے آگے بھی اچھی کارکردگی دکھاتی ہیں یا نہیں۔ یہ تین طریقوں کا جائزہ لیتا ہے: غیر فعال جارحانہ اوسط واپسی، آن لائن موونگ ایوریج واپسی، اور لین دین کے اخراجات کی بہتری۔ محققین 2000 سے 2017 تک S&P 500 کے اجزا کی تاریخی قیمتیں، قائم شدہ بینچ مارک ڈیٹا سیٹس کے ساتھ، استعمال کرتے ہیں تاکہ جانچ سکیں کہ یہ حکمتِ عملیاں عام آزمائشوں میں غیر معمولی طور پر کامیاب کیوں دکھائی دے سکتی ہیں اور آیا یہ زیادہ حالیہ مارکیٹ ڈیٹا پر بھی کارآمد ہیں۔

بیان کردہ نتائج احتیاط کا تقاضا کرتے ہیں: بینچ مارک ڈیٹا سیٹس اوسط کی طرف واپسی کے طریقوں کو ترجیح دے سکتے ہیں، اور ان ڈیٹا سیٹس پر مضبوط نتائج وسیع تر مارکیٹ حالات میں برقرار نہ رہیں۔ حالات بظاہر سازگار ہونے پر بھی حکمتِ عملیاں ناکام ہو سکتی ہیں، خاص طور پر جب واضح یا پوشیدہ لین دین کے اخراجات موجود ہوں۔ دستاویز کارکردگی کے تفصیلی اعداد و شمار، نفاذ کے انتخاب یا اخراجات کے مفروضے نہیں دیتی، اس لیے یہ طے نہیں ہوتا کہ کون سا طریقہ بہتر کارکردگی دکھاتا ہے یا مختلف ادوار میں نتائج کیسے بدلتے ہیں۔ اس کا مرکزی سبق یہ ہے کہ پورٹ فولیو حکمتِ عملیوں کو نمائندہ ڈیٹا پر آزمائیں اور ٹریڈنگ کی رکاوٹوں کو مدنظر رکھیں۔

اہم خیالات

• مطالعہ PAMR، OLMAR اور لین دین کے اخراجات کی بہتری کی حکمتِ عملیوں کا جائزہ لیتا ہے۔
• یہ قائم شدہ بینچ مارک ڈیٹا سیٹس کا موازنہ 2000 سے 2017 تک S&P 500 کے اجزا کی تاریخی قیمتوں سے کرتا ہے۔
• بینچ مارک ڈیٹا سیٹس اوسط کی طرف واپسی کی حکمتِ عملیوں کو ترجیح دے سکتے ہیں اور کارکردگی کی نامکمل تصویر دے سکتے ہیں۔
• آزمودہ حکمتِ عملیاں بظاہر سازگار حالات میں بھی ناکام ہو سکتی ہیں۔
• واضح اور پوشیدہ لین دین کے اخراجات اوسط واپسی کے نتائج کو کمزور کر سکتے ہیں۔

ٹیگز

# Empirical investigation of state-of-the-art mean reversion strategies for equity markets


# Empirical investigation of state-of-the-art mean reversion strategies for equity markets









Recent studies have shown that online portfolio selection strategies that exploit the mean reversion property can achieve excess return from equity markets. This paper empirically investigates the performance of state-of-the-art mean reversion strategies on real market data. The aims of the study are twofold. The first is to find out why the mean reversion strategies perform extremely well on well-known benchmark datasets, and the second is to test whether or not the mean reversion strategies work well on recent market data. The mean reversion strategies used in this study are the passive aggressive mean reversion (PAMR) strategy, the on-line moving average reversion (OLMAR) strategy, and the transaction cost optimization (TCO) strategies. To test the strategies, we use the historical prices of the stocks that constitute S\&P 500 index over the period from 2000 to 2017 as well as well-known benchmark datasets. Our findings are that the well-known benchmark datasets favor mean reversion strategies, and mean reversion strategies may fail even in favorable market conditions, especially when there exist explicit or implicit transaction costs.

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۔