自适应趋势跟踪的动态动量学习
文章 arXiv papers · 作者: Bruno P. C. Levy et al.
总结
本文研究趋势跟踪信号如何自适应地使用不同的动量回看期。该方法不只依赖对过去收益的固定概括，而是使用动态二元分类器，学习过去动量与未来收益之间的关系是在变化还是保持稳定。投资者随后可以组合或选择不同速度的动量，尤其是在市场转折点附近。
作者使用56个期货合约的数据评估该方法，并将其与传统时间序列动量策略进行比较。他们报告称，均值方差投资者愿意为这种动态方法支付可观的管理费，并将此视为信号准确度和投资组合表现提升的证据。所提供的说明没有给出费用金额、详细的测试设计或风险调整后结果，因此无法据此确定该优势在不同期间或实施成本下有多稳健。
核心观点
- 固定回看期的动量规则可能无法捕捉过去收益与未来收益关系的变化。
- 动态二元分类器会学习这些关系是否随时间变化。
- 该方法可在市场转折点附近选择或组合不同速度的动量。
- 评估使用56个期货合约，并将该方法与传统时间序列动量进行比较。
- 据报告，投资者愿意支付管理费，这表明该方法可能具有经济价值，但其金额未说明。
标签
全文
# Trend-Following Strategies via Dynamic Momentum Learning # Trend-Following Strategies via Dynamic Momentum Learning Time series momentum strategies are widely applied in the quantitative financial industry and its academic research has grown rapidly since the work of Moskowitz, Ooi and Pedersen (2012). However, trading signals are usually obtained via simple observation of past return measurements. In this article we study the benefits of incorporating dynamic econometric models to sequentially learn the time-varying importance of different look-back periods for individual assets. By the use of a dynamic binary classifier model, the investor is able to switch between time-varying or constant relations between past momentum and future returns, dynamically combining or selecting different momentum speeds during turning points, improving trading signals accuracy and portfolio performance. Using data from 56 future contracts we show that a mean-variance investor will be willing to pay a considerable management fee to switch from the traditional naive time series momentum strategy to the dynamic classifier approach.
在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0
此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。