使用近期股票数据检验均值回复组合策略
文章 arXiv papers · 作者: Seung-Hyun Moon et al.
总结
这项实证研究评估旨在利用均值回复的在线组合策略，在基准数据集之外是否表现良好。研究考察三种方法：被动积极均值回复、在线移动平均线回复和交易成本优化。研究人员使用2000至2017年的标普500成分股历史价格及已有基准数据集，探究这些策略为何在常用测试中看似特别成功，以及它们在较新的市场数据上是否也有效。
报告的发现具有警示意义：基准数据集可能有利于均值回复方法，在这些数据集上取得的强劲结果未必能延续至更广泛的市场环境。即使条件看似有利，这些策略也可能失效，尤其是在存在显性或隐性交易成本时。文档没有提供详细表现数据、实现选择或成本假设，因此无法确定哪种方法表现最佳，也无法判断结果在不同具体时期如何变化。其主要启示是，评估组合策略时应使用具有代表性的数据，并计入交易摩擦。
核心观点
- 研究评估了PAMR、OLMAR和交易成本优化策略。
- 研究将已有基准数据集与2000年至2017年的标普500成分股历史价格进行比较。
- 基准数据集可能有利于均值回复策略，因而无法完整反映策略表现。
- 即使在看似有利的条件下，受测策略也可能失效。
- 显性和隐性交易成本可能削弱均值回复策略的结果。
标签
全文
# 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.
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。