Dùng số mũ Hurst để chuyển đổi giữa động lượng và hồi quy về trung bình

Tóm tắt

Nghiên cứu dùng số mũ Hurst để phân loại chuỗi thời gian là có xu hướng hay hồi quy về trung bình, sau đó chọn chiến lược phù hợp với đặc điểm đó. Động lượng được ghép với điều kiện có xu hướng, còn hồi quy về trung bình được dùng khi giá thể hiện hành vi hồi quy về trung bình. Ý tưởng cốt lõi là điều chỉnh lựa chọn chiến lược theo ước tính chế độ thị trường thay vì áp dụng liên tục một trong hai cách tiếp cận.

Tài liệu báo cáo rằng cách lựa chọn dựa trên Hurst này có thể tạo ra lợi suất cao hơn, đi kèm rủi ro cao hơn. Tài liệu không nêu tài sản, giai đoạn mẫu, ngưỡng, quy tắc giao dịch, chi phí giao dịch hay số liệu hiệu suất định lượng, nên không thể đánh giá độc lập kết quả từ bản tóm tắt. Nghiên cứu cũng xác định các hạn chế và đề xuất Q-learning như một cách có thể cải thiện chiến lược cũng như việc triển khai các thuật toán thành phần. Đây là đề xuất cho tương lai; không có kết quả Q-learning nào được báo cáo ở đây. Vì vậy, phương pháp minh họa một ý tưởng chọn chế độ nhưng chưa giải quyết được độ vững chắc và hiệu suất thực tế.

Ý chính

• Số mũ Hurst được dùng để phân biệt hành vi có xu hướng với hành vi hồi quy về trung bình.
• Phương pháp chọn động lượng khi thị trường có xu hướng và hồi quy về trung bình khi giá hồi quy về trung bình.
• Nghiên cứu báo cáo lợi suất cao hơn cùng rủi ro cao hơn khi chọn chiến lược dựa trên Hurst.
• Tài liệu đề xuất Q-learning như một cải tiến khả dĩ nhưng không đưa ra kết quả cho phương pháp này.
• Không có chi tiết cần thiết để đánh giá chi phí, ngưỡng và độ vững chắc ngoài mẫu.

Thẻ

# Optimizing Returns Using the Hurst Exponent and Q Learning on Momentum and Mean Reversion Strategies


# Optimizing Returns Using the Hurst Exponent and Q Learning on Momentum and Mean Reversion Strategies









Momentum and mean reversion trading strategies have opposite characteristics. The former is generally better with trending assets, and the latter is generally better with mean reverting assets. Using the Hurst exponent, which classifies time series as trending or mean reverting, we attempt to trade with each strategy when it is advantageous to generate higher returns on average. We ultimately find that trading with the Hurst exponent can achieve higher returns, but it also comes at a higher risk. Finally, we consider limitations of our study and propose a method using Q-learning to improve our strategy and implementation of individual algorithms.

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.