跳至正文
返回文库全部文档

用赫斯特指数在动量与均值回归间切换

文章 arXiv papers · 作者: Y. Chang et al.
阅读原文

总结

本研究使用赫斯特指数将时间序列判定为趋势型或均值回归型，然后选择适合该行为的策略。趋势条件下采用动量策略，价格呈现均值回归行为时则采用均值回归策略。核心思路是根据对市场状态的估计调整策略选择，而非持续使用其中任一种方法。

文档报告称，这种基于赫斯特指数的策略选择可能带来较高回报，同时伴随较高风险。文中未说明资产、样本期、阈值、交易规则、交易成本或量化表现数据，因此无法依据摘要独立判断结果。研究还指出自身局限，并提出可将Q学习作为改进策略及其组成算法实现的一种可能方法。这只是未来设想；本文未报告Q学习的结果。因此，该方法展示了一种市场状态选择思路，但其稳健性和实际表现仍未得到明确验证。

核心观点

  • 研究使用赫斯特指数区分趋势行为与均值回归行为。
  • 该方法在趋势市场中选择动量策略，在均值回归条件下选择均值回归策略。
  • 研究报告称，基于赫斯特指数选择策略能带来较高回报，同时风险也较高。
  • 文档提出将Q学习作为一种可能的改进方法，但未提供相关结果。
  • 文中未提供评估成本、阈值和样本外稳健性所需的细节。

标签

趋势跟踪均值回归动量统计学机器学习
全文
# 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.

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。