Giao dịch động Gaussian: Mômen lợi nhuận và ước tính Sharpe

Tóm tắt

Bài nghiên cứu suy ra bốn mômen đầu tiên của lợi nhuận cho các chiến lược động khi lợi nhuận tài sản và tín hiệu hoặc tỷ trọng giao dịch có phân phối Gaussian đồng thời. Bài viết xét các tín hiệu như bộ lọc tuyến tính của lợi nhuận quá khứ và dự báo từ mô hình chuỗi thời gian, biểu diễn kết quả chiến lược thông qua tương quan giữa tín hiệu và lợi nhuận tương lai.

Phân tích lập luận rằng theo các giả định của mình, chiến lược động có Sharpe dương tất yếu có độ lệch dương và độ nhọn vượt mức. Để chọn tỷ trọng nhằm tối đa hóa Sharpe, nghiên cứu ưu tiên bình phương tối thiểu toàn phần hơn bình phương tối thiểu thông thường, và phân tích tương quan chính tắc khi có nhiều tài sản. Nghiên cứu cũng xây dựng sai số chuẩn cho tỷ số Sharpe, độ lệch và độ nhọn của chiến lược, đồng thời cho biết các ước tính Sharpe có độ chính xác cao hơn một phương pháp thay thế thường dùng. Kết quả được mở rộng theo tiệm cận cho nhiều chuỗi thời gian dừng. Các kết luận phụ thuộc vào khuôn khổ Gaussian và các giả định của nó; tài liệu không nêu bộ dữ liệu cụ thể, kết quả hiệu suất bằng số hoặc chi phí giao dịch thực tế.

Ý chính

• Bài nghiên cứu mô hình hóa lợi nhuận chiến lược động bằng lợi nhuận và tín hiệu hoặc tỷ trọng có phân phối Gaussian.
• Bài viết suy ra bốn mômen đầu tiên của lợi nhuận từ tương quan giữa tín hiệu và lợi nhuận tương lai.
• Theo các giả định đã nêu, chiến lược có Sharpe dương sẽ có độ lệch dương và độ nhọn vượt mức.
• Bình phương tối thiểu toàn phần được đề xuất để tối ưu Sharpe với một tài sản, còn phân tích tương quan chính tắc được đề xuất cho nhiều tài sản.
• Bài nghiên cứu suy ra sai số chuẩn cho tỷ số Sharpe, độ lệch và độ nhọn.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.