Kiểm định chiến lược danh mục hồi quy về trung bình trên dữ liệu cổ phiếu gần đây

Tóm tắt

Nghiên cứu thực nghiệm này đánh giá liệu các chiến lược danh mục trực tuyến được thiết kế để khai thác hiện tượng hồi quy về trung bình có hoạt động tốt ngoài các bộ dữ liệu chuẩn hay không. Nghiên cứu xem xét ba cách tiếp cận: hồi quy về trung bình thụ động quyết liệt, hồi quy theo đường trung bình động trực tuyến và tối ưu hóa chi phí giao dịch. Các nhà nghiên cứu sử dụng giá lịch sử của các cổ phiếu thành phần S&P 500 từ 2000 đến 2017, cùng với các bộ dữ liệu chuẩn đã được thiết lập, để tìm hiểu vì sao những chiến lược này có thể cho kết quả đặc biệt tốt trong các kiểm định thường dùng và liệu chúng có hoạt động trên dữ liệu thị trường gần đây hơn hay không.

Các phát hiện được báo cáo mang tính cảnh báo: bộ dữ liệu chuẩn có thể ưu ái các phương pháp hồi quy về trung bình, và kết quả tốt trên những bộ dữ liệu đó có thể không duy trì trong điều kiện thị trường rộng hơn. Các chiến lược có thể thất bại ngay cả khi điều kiện có vẻ thuận lợi, đặc biệt khi có chi phí giao dịch tường minh hoặc ngầm định. Tài liệu không cung cấp số liệu hiệu quả chi tiết, lựa chọn triển khai hay giả định về chi phí, nên không xác định được phương pháp nào hoạt động tốt nhất hoặc kết quả thay đổi ra sao giữa các giai đoạn. Bài học chính là cần kiểm thử các chiến lược danh mục trên dữ liệu đại diện, đồng thời tính đến các ma sát giao dịch.

Ý chính

• Nghiên cứu đánh giá các chiến lược PAMR, OLMAR và tối ưu hóa chi phí giao dịch.
• Nghiên cứu so sánh các bộ dữ liệu chuẩn đã được thiết lập với giá lịch sử của cổ phiếu thành phần S&P 500 từ 2000 đến 2017.
• Bộ dữ liệu chuẩn có thể ưu ái các chiến lược hồi quy về trung bình và đưa ra bức tranh hiệu quả chưa đầy đủ.
• Các chiến lược được kiểm định có thể thất bại ngay cả trong điều kiện có vẻ thuận lợi.
• Chi phí giao dịch tường minh và ngầm định có thể làm suy giảm kết quả của các chiến lược hồi quy về trung bình.

Thẻ

# 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.

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.