跳至正文
返回文库全部文档

收益动态如何影响杠杆ETF复利

文章 arXiv papers · 作者: Chung-Han Hsieh et al.
阅读原文

总结

论文认为，仅凭波动率拖累无法解释杠杆交易所交易基金的长期表现。论文考察复利如何取决于收益自相关和其他收益动态：相对于目标倍数，独立收益可能带来正的预期复利；趋势可能改善结果，而均值回归可能使结果变差。其框架包括AR(1)和AR-GARCH模型、连续时间状态切换以及不同的再平衡频率，并纳入波动率聚集和状态持续性。

作者报告称，约二十年的SPDR S&P 500和 Nasdaq-100 ETF 数据提供了实证支持。他们发现，在动量驱动的市场中，每日再平衡能提高收益；在均值回归状态下，较低频率的再平衡则可能限制损失。这些发现以所考察的收益动态和再平衡设置为条件。摘要未提供影响幅度、成本或提前识别状态的细节，因此不能证明投资者能够可靠地选择盈利的再平衡时程。

核心观点

  • 杠杆ETF复利取决于收益动态，不仅仅取决于波动率拖累。
  • 趋势可能提高杠杆收益，而均值回归环境可能导致表现不佳。
  • 该框架考虑自相关、波动率聚集、状态持续性和再平衡频率。
  • 报告的ETF证据表明，在动量驱动的市场中，每日再平衡与收益增加相关；在均值回归状态下，低频再平衡与损失减少相关。

标签

股票波动率动量均值回归
全文
# Compounding Effects in Leveraged ETFs: Beyond the Volatility Drag Paradigm


# Compounding Effects in Leveraged ETFs: Beyond the Volatility Drag Paradigm









A common belief is that leveraged ETFs (LETFs) suffer long-term performance decay due to \emph{volatility drag}. We show that this view is incomplete: LETF performance depends fundamentally on return autocorrelation and return dynamics. In markets with independent returns, LETFs exhibit positive expected compounding effects on their target multiples. In serially correlated markets, trends enhance returns, while mean reversion induces underperformance. With a unified framework incorporating AR(1) and AR-GARCH models, continuous-time regime switching, and flexible rebalancing frequencies, we demonstrate that return dynamics -- including return autocorrelation, volatility clustering, and regime persistence -- determine whether LETFs outperform or underperform their targets. Empirically, using about 20 years of SPDR S\&P~500 ETF and Nasdaq-100 ETF data, we confirm these theoretical predictions. Daily-rebalanced LETFs enhance returns in momentum-driven markets, whereas infrequent rebalancing mitigates losses in mean-reverting regimes.

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。