Fábrica forex online Almirante Tamandaré: Futuros de estratégia de reversão média

Negociação de reversão à média nos mercados futuros de energia.

Trabalhos recentes colocaram sérias dúvidas sobre se os mercados futuros de energia podem ser considerados fracamente eficientes e demonstraram como as estratégias de negociação de reversão média podem ser empregadas de forma lucrativa nos futuros de petróleo bruto, gás natural, gasolina e óleo de aquecimento.

Um trabalho recente analisou se o uso de estratégias de negociação técnica de reversão de média simples pode ser empregado de forma lucrativa para portfólios de futuros de petróleo bruto, gás natural, gasolina e óleo de aquecimento. Considerando vinte e dois anos de dados & # 8211; através do uso de carteiras de spread de calendário com reversão média, taxas de hedge dinâmicas e sinais de negociação baseados em Bollinger Bands & # 8211; Tem sido demonstrado que a maioria das combinações de futuros do mês da frente e do segundo mês são significativamente lucrativas para todas as commodities com os melhores resultados para o WTI Bruto e Gás Natural. Vários artigos nos últimos 5 anos levantaram sérias dúvidas se os mercados futuros de energia podem ser considerados fracamente eficientes no curto prazo.

Este post dá uma visão geral da literatura recente e as várias estratégias de negociação empregadas.

Introdução.

Na última década, os preços das commodities energéticas apresentaram aumentos e quedas dramáticos em uma medida não observada desde a crise energética dos anos 70. Ao mesmo tempo, os contratos futuros de energia experimentaram um aumento impressionante na demanda dos investidores financeiros depois que os mercados futuros dos EUA foram transformados radicalmente devido à Lei de Modernização de Futuros de Commodities dos EUA em 2000, que introduziu mais flexibilidade, permitindo que agentes financeiros como fundos de índice de commodities entrassem eles. Por um lado, as commodities de energia são consideradas instrumentos de diversificação de baixo custo que ampliam o conjunto de oportunidades para otimização de portfólio. Além disso, mercados com alta liquidez atraem investidores de curto prazo que pretendem adiantar ou reduzir o valor do ativo por apenas alguns dias ou até mesmo intra-dia. Estes desenvolvimentos têm desencadeado uma polêmica discussão na literatura com o objetivo de estabelecer se os fundamentos de oferta e demanda ou os efeitos especulativos de negociação prevalecem no processo de construção de preços de contratos futuros de energia.

Dado o interesse cada vez maior nesses mercados, uma questão de tremenda relevância para a pesquisa acadêmica e profissionais relacionados aos processos de construção de preços nos mercados futuros de energia é se os padrões históricos de preços podem ser explorados por investidores experientes e se pode haver oportunidades comerciais lucrativas em quatro anos. mercados de futuros de energia muito populares usando regras comerciais simples.

Mensagem mista para um mercado eficiente?

A discussão entre acadêmicos e profissionais sobre os méritos da análise técnica está em andamento há décadas. A pesquisa abrangente de Park e Irwin (2007) mostra que o foco principal de atenção da pesquisa acadêmica é nos mercados de ações e câmbio, não em commodities. A rentabilidade das regras técnicas de negociação para os mercados de commodities tem sido abordada por alguns estudos, principalmente relacionados a regras de momentum e médias móveis simples.

Shambora e Rossiter (2007) usam um modelo de rede neural artificial com entradas de crossover médias móveis para prever preços futuros de petróleo e documentar lucratividade significativa que está em desacordo com a expectativa de um mercado de futuros de petróleo eficiente. No mesmo ano, Tabak e Cajueiro publicaram um artigo que analisou a eficiência do Brent e do West Texas Intermediate (WTI) Crude Oil usando a análise de Hurst e encontrou evidências de que o mercado de petróleo se tornou mais eficiente ao longo do tempo.

Um ano depois, Alvarez-Ramirez considerou as correlações automáticas do processo internacional de preço do petróleo documentado que, em horizontes longos, o mercado de petróleo bruto é consistente com a hipótese de mercado eficiente de Fama (1970), mas não pode excluir a possibilidade de ineficiências de mercado. horizontes de tempo.

& # 8220; .. mostrando que uma determinada estratégia baseada na exploração de informações obsoletas, em média, ganha um fluxo de caixa positivo durante algum período de tempo não é, por si só, evidência de ineficiência do mercado. Para obter esse lucro, um investidor pode ter que arcar com risco, e seu lucro pode ser apenas uma compensação justa de mercado para o risco de suportar & # 8221;

Dois artigos em 2010 (Wan e Liu; Lean) testaram a eficiência do mercado de petróleo bruto WTI, mostrando que os preços do petróleo bruto estão se tornando mais eficientes ao longo do tempo para todos os horizontes de tempo considerados. O segundo estudo considerou os preços à vista e futuros de WTI Crude Oil usando abordagens de média-variância e dominância estocástica e descobriu que não há oportunidades de arbitragem entre os preços à vista e futuros. No entanto, esse não foi o caso se considerássemos a dinâmica de alta frequência dos dados de preços futuros de petróleo bruto, óleo de aquecimento, gasolina e gás natural, onde Wang e Yang (2010) identificaram ineficiências de mercado, especialmente para petróleo e gás natural. principalmente durante os períodos de alta dos mercados.

Indo com o fluxo: estratégias momentum.

Millre e Rallis (2007) aplicam estratégias contrárias e de momentum aos contratos futuros de commodities dos EUA. Embora as estratégias contrárias tenham um fraco desempenho, as estratégias de momentum parecem ser lucrativas em períodos de até 12 meses. Shen (2007) compara o desempenho de estratégias de momentum para mercados de commodities e ações e documenta lucros de momentum altamente significativos para períodos de detenção até 9 meses com magnitudes comparáveis àquelas realizadas com negociação de ações.

Ao contrário dos estudos que afirmam que as estratégias técnicas em futuros de commodities geram lucros que não podem ser consideravelmente enfraquecidos pelos custos de transações relativamente baixos que prevalecem nesses mercados, Marshall et al. (2008) aplicam um grande conjunto de regras técnicas de negociação a 15 das principais séries de futuros de commodities, e concluem que os lucros resultantes não podem consistentemente exceder aqueles que se espera que surjam devido à variação aleatória. Mais recentemente, Fuertes (2010) examinou as combinações de sinais de mercado de momentum e estrutura de termo em mercados futuros de commodities e encontrou estratégias de momentum e estrutura de prazo a serem lucrativas quando implementadas individualmente, enquanto Szakmary (2010) documenta estratégias de acompanhamento de tendências para superar estratégias de momentum.

Negociação na reversão à média.

Além da controvérsia sobre a lucratividade das regras técnicas de negociação nos mercados de commodities, nenhum desses estudos aplica Bollinger Bands, que é uma ferramenta fácil de implementar para análise técnica. Apesar do fato de que essas regras comerciais gozam de ampla popularidade entre os profissionais, a literatura acadêmica que investiga seu desempenho é bastante limitada. Além disso, esses estudos lançam dúvidas sobre a lucratividade das bandas de Bollinger. Usando dados de índices de ações e do mercado cambial, Lento et al. (2007) estabelecem que as Bandas de Bollinger são consistentemente incapazes de obter lucros além da estratégia de compra e venda.

Leung e Chong (2003) comparam a rentabilidade de Envelopes Médios Móveis e Bandas de Bollinger para uma ampla amostra de índices de mercado acionário e descobrem que as Bandas de Bollinger sub-executam os Envelopes Médios Móveis.

Tudo não está perdido para Bollinger Bands?

Dada a recente evidência empírica de que o Bollinger Bands puro não tem sido tão eficaz quanto outros indicadores técnicos, trabalhou para considerar estratégias de reversão à média mais estratificadas com Lubnau & amp; Todorova analisando as regras de negociação para carteiras de hedge que consistem em futuros sobre o mesmo ativo subjacente, mas para vencimentos diferentes para quatro contratos NYMEX; WTI Crude Oil, Aquecimento, Gasolina e Gás Natural.

Eles testaram estratégias de reversão à média envolvendo spreads de calendário construídos desses quatro futuros. Os spreads são particularmente interessantes porque são menos propensos a sofrer choques de informação, já que os movimentos das duas pernas freqüentemente se compensam.

Usando dados diários de 1992 a 2013, eles descobriram que a maioria das combinações envolvendo os futuros do primeiro e segundo meses seria significativamente lucrativa para todos os futuros em consideração. Os melhores resultados ajustados ao risco foram documentados para o petróleo cru e gás natural WTI, com taxas de Sharpe superiores a 2 para a maioria das combinações e um desempenho bastante uniforme para todas as combinações testadas. Isso reafirmou o trabalho anterior, que demonstrou que não era possível descartar a possibilidade de ineficiências de mercado de curto prazo nos Mercados de Petróleo.

Exemplo do sistema de negociação para os futuros do WTI do primeiro e segundo meses. Nota: Esta figura mostra a pontuação-z calculada para os futuros do mês da frente e do segundo mês do WTI, com uma média móvel e desvio-padrão de 200 dias para o período de cinco anos 2009-2013. O primeiro escore z é calculado com os primeiros 200 dias de dados disponíveis no final de 2009. As linhas vermelhas sólidas indicam o escore de entrada de 2 e −2, as linhas vermelhas tracejadas são as pontuações de saída de 0,2 e −0,2. A área cinza sombreada indica períodos em que os futuros estavam em backwardation, onde a área branca indica contango.

A Bollinger Band e as estratégias de reversão à média empregadas em seu estudo assumiram que os choques que alteram os spreads são de curta duração e que há reversão à média nas carteiras de hedge. Seguindo a definição de Fama (1970), um mercado é chamado de eficiente se os preços refletirem toda a informação disponível. Em uma visão mais detalhada dos conjuntos de informações usados, a eficiência de forma fraca é definida para incluir apenas dados históricos. Os resultados deram evidências conclusivas de que é possível usar os sistemas de negociação técnica de maneira lucrativa no mercado de futuros de energia.

Durante o período do estudo, Sharpe Ratios acima de 2 são obtidos com quase todas as combinações de WTI de Petróleo e Gás Natural, enquanto que os resultados significativos para futuros de Gasolina e Óleo de Aquecimento são alcançados principalmente usando períodos médios móveis mais curtos e negociando - ou futuros de terceiro mês. Uma discussão detalhada dos resultados mostra que os eventos que desencadeiam uma entrada no mercado variam aleatoriamente, de modo que a lucratividade geral não surge de uma estratégia sempre comprando contratos de fachada e vendendo contratos de volta ou vice-versa. No geral, trabalhos recentes lançaram sérias dúvidas de que os mercados futuros de energia são eficientes no curto prazo.

Conclusão.

No geral, vários trabalhos mostraram que, em horizontes longos, o mercado de petróleo bruto é consistente com a hipótese de mercado eficiente de Fama (1970), mas não pode excluir a possibilidade de ineficiências de mercado em horizontes de tempo curtos. Diversos estudos parecem confirmar a existência de ineficiências de curto prazo economicamente exploráveis. Embora a maioria não considere os custos de transação, seu principal resultado - existem ineficiências no mercado de petróleo bruto no curto prazo - pode ser confirmado em um ambiente real usando uma taxa de custo de transação conservadora. Além disso, esta conclusão é mostrada para segurar não somente para o mercado do óleo cru, mas pode ser estendida ao caso de outros mercados de futuros populares da energia.

Referências.

Alvarez-Ramirez, J., Alvarez, J., Rodriguez, E., 2008. Previsibilidade a curto prazo dos mercados de petróleo cru: uma abordagem de análise de flutuação retificada. Econ Econ. 30, 2645-2656. Alvarez-Ramirez, J., Alvarez, J., Solis, R., 2010. Eficiência e modelagem do mercado de petróleo bruto: insights a partir do padrão de autocorrelação entre eles. Econ Econ. 32, 993–1000 Chan, E., 2013. Negociações Algorítmicas: Estratégias Vencedoras e Sua Justificativa. Wiley, New Jersey Fama, E., 1970. Mercados de capital eficientes: uma revisão da teoria e do trabalho empírico. J. Financ. 25, 383-417. Lean, H. H., McAleer, M., Wong, W.-K., 2010. Eficiência do mercado de petróleo e futuros: uma abordagem de variância média e dominância estocástica. Econ Econ. 32, 979–986 Lento, C., Gradojevic, N., Wright, C. S., 2007. Informações sobre investimentos em Bollinger Bands? Appl. Financ. Econ. Lett. 3, 263-267. Lubnau T, Neda T. Negociação sobre a reversão à média nos mercados futuros de energia Energy Economics 51 (2015) 312–319 Leung, J., Chong, T., 2003. Uma comparação empírica de envelopes médios móveis e bandas de Bollinger. Appl. Econ. Lett. 10, 339-341. Wang, Y., Liu, L., 2010. O mercado de petróleo bruto IsWTI tornou-se fracamente eficiente ao longo do tempo? Novas evidências da análise multiescala com base na análise de flutuação retificada. Econ Econ. 32, 987-992. Wang, T., Yang, J., 2010. Testes de não-linearidade e eficiência intradiária nos mercados futuros de energia. Econ Econ. 32, 496-503.

Você pode gostar.

Os Benefícios e Desafios da Resposta à Demanda.

Tendências de Energia e Emissão dos EUA a Longo Prazo.

Watt? Próximo? Por que o armazenamento de energia é o próximo trocador de jogos.

Os EVs Solares Estão Pegando o Ritmo.

Política energética do Reino Unido presa no limbo?

Armazenamento de Energia & # 8211; Amigo das Redes?

Problema de Gás do Iraque.

Aposta indiana da OPEP.

Assine o Blog via e-mail.

Isenção de responsabilidade e política de privacidade.

Este é o meu blog pessoal - os pontos de vista e opiniões representam os meus e não aqueles de pessoas, instituições ou organizações com as quais sou afiliado, a menos que seja explicitamente declarado. Meu Blog não é afiliado, nem representa as opiniões, posição ou atitudes de meu empregador (s) de seus clientes ou de qualquer uma de suas empresas afiliadas.

Este blog não compartilha informações pessoais com terceiros nem armazenamos qualquer informação sobre sua visita a este blog além de analisar e otimizar seu conteúdo e experiência de leitura através do uso de cookies. Você pode desativar o uso de cookies a qualquer momento alterando suas configurações específicas do navegador. Nós não somos responsáveis pelo conteúdo republicado deste blog em outros blogs ou sites sem a nossa permissão.

Esta política de privacidade está sujeita a alterações sem aviso prévio e foi atualizada em 2 de agosto de 2016. Se você tiver alguma dúvida, não hesite em contactar-me diretamente aqui: privacy@energyanalyst. co. uk ou EnergyAnalyst Privacy Policy.

Sinta-se à vontade para me enviar uma linha usando os botões abaixo, envie um e-mail ou através da página Fale comigo neste blog.

Momento e reversão à média nos mercados spot e de futuros de commodities

Estudamos as estratégias de momentum e de reversão à média nos preços futuros de commodities e sua relação com o momento e a reversão à média dos preços spot das commodities. Descobrimos que o momento funciona bem nos mercados futuros, mas não nos mercados à vista, e que a reversão à média funciona bem nos mercados à vista, mas não nos mercados futuros. Uma decomposição da base (a inclinação da estrutura a termo dos preços futuros) em prêmios de risco esperados e mudanças esperadas nos preços spot nos ajuda a lançar alguma luz sobre os diferentes resultados nos mercados futuros e spot. O mais interessante é que descobrimos que o momento nos preços futuros não pode ser explicado por uma tendência sustentada nos preços spot.

Classificação JEL.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Verifique este artigo em outro lugar.

Agradecemos a um editor associado e dois árbitros anônimos pelos comentários úteis. As opiniões expressas são as dos autores e não necessariamente as de qualquer instituição afiliada.

Negociação de reversão à média nos mercados futuros de energia.

Destaques.

Estudamos se a negociação técnica simples pode ser empregada de forma lucrativa para futuros de energia.

Estratégias com spreads de calendário com reversão à média com taxas de hedge dinâmicas são testadas.

Vinte e dois anos de dados históricos são testados com custos de transação e bootstrap.

Sinais de entrada e saída são gerados por Bollinger Bands.

Os melhores resultados são obtidos para Petróleo Bruto e Gás Natural.

Estudamos se estratégias comerciais simples que gozam de grande popularidade entre os profissionais podem ser empregadas de forma lucrativa no contexto de carteiras de hedge para futuros de petróleo bruto, gás natural, gasolina e óleo de aquecimento. As estratégias testadas baseiam-se em carteiras de spread de calendário com reversão da média estabelecidas com taxas de hedge dinâmicas. Os sinais de entrada e saída são gerados pelos chamados Bollinger Bands. O sistema de negociação é aplicado a vinte e dois anos de dados históricos de 1992 a 2013 para várias especificações, levando em conta os custos de transação. A significância dos resultados é avaliada com um teste de bootstrap no qual os pedidos gerados aleatoriamente são comparados com pedidos feitos pelo sistema de negociação. Considerando que encontramos a maioria das combinações envolvendo os futuros frente mês e segundo mês para ser significativamente rentável para todas as commodities testadas, os melhores resultados para o Índice de Sharpe ajustado ao risco são obtidos para WTI Crude Oil and Natural Gas, com Sharpe Ratios em excesso de 2 para a maioria das combinações e um desempenho bastante suave para todos os spreads do calendário. Com base em nossos resultados, há uma séria dúvida se os mercados futuros de energia podem ser considerados fracamente eficientes no curto prazo.

Classificação JEL.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou de sua instituição.

Desenvolvendo uma estratégia de transporte de volatilidade.

A título de introdução, começamos revisando uma característica bem conhecida do iPath S & P 500 VIX ST Futures ETN (NYSEArca: VXX). Em comum com outros ETF / ETNs de volatilidade longa, o VXX tem uma tendência a diminuir em valor devido à forma inclinada para cima da curva de volatilidade para a frente. O gráfico abaixo ilustra a queda no valor da VXX, juntamente com o contrato VIX de futuros do mês anterior, durante o período de 2009.

Este fenómeno dá origem a oportunidades para estratégias “carry”, em que um produto de volatilidade longa como o VXX é vendido na expectativa de que irá diminuir de valor ao longo do tempo. Tais estratégias funcionam bem durante os períodos em que os futuros de volatilidade estão em contango, ou seja, quando os contratos futuros com prazos mais longos têm preços mais altos do que os contratos futuros com prazos mais curtos e o Índice Spot VIX, que é tipicamente o caso em torno de 70% do tempo. Uma estratégia análoga no mundo da renda fixa é conhecida como "reduzir a curva de juros". Quando as curvas de rendimento são inclinadas para cima, um investidor de renda fixa pode comprar um título ou título de maior rendimento na expectativa de que o rendimento declinará e o aumento de preço, à medida que a segurança se aproxima da maturidade. O quantitative easing é pago a essa técnica amplamente utilizada, mas as estratégias análogas nos mercados de moeda e volatilidade continuam a ter bom desempenho.

O desafio para qualquer estratégia de transporte é o que acontece quando a curva se inverte, à medida que os futuros se movem para o backwardation, muitas vezes dando origem a perdas precipitadas. Uma variedade de esquemas de hedge foram concebidos para minimizar o risco. Por exemplo, uma bem conhecida estratégia de carry nos futuros VIX envolve vender o contrato do mês anterior e fazer hedge com uma posição vendida em um número apropriado de contratos futuros do E-Mini S & P 500. Nesse caso, a cobertura é imperfeita, deixando ao investidor a tarefa de administrar um risco significativo.

O gráfico do valor composto do contrato de futuros VXX e VIX sugere outra abordagem. Enquanto ambos os títulos diminuem de valor ao longo do tempo, a queda no valor do VXX ETN é substancialmente maior do que a do contrato futuro do mês da frente. A idéia básica, portanto, é uma negociação de valor relativo, na qual compramos futuros VIX, o melhor desempenho do par, enquanto vendemos o VXX de baixo desempenho. Como o valor da VXX é determinado pelo valor dos contratos futuros VIX de dois meses, a cobertura, embora imperfeita, provavelmente implicará em menos risco de base do que no caso da estratégia de futuros VIX-ES.

Outra forma de pensar sobre o negócio é a seguinte: ao combinar uma posição vendida em VXX com uma posição longa nos contratos futuros do mês anterior, estamos criando uma exposição residual no valor do contrato VIX do segundo mês em relação ao primeiro. . Portanto, esta é uma estratégia em que estamos olhando para capturar volatilidade transportar, não na frente da curva, mas entre os vencimentos de futuros primeiro e segundo mês. Estamos, na verdade, descendo a curva da volatilidade.

A relação entre os futuros VXX e VIX.

Vamos dar uma olhada na relação entre o VXX e o contrato de futuros do mês da frente, ao qual me referirei daqui em diante simplesmente como VX. Uma análise de regressão linear simples do VXX em relação ao VX é resumida nas tabelas abaixo e confirma duas características de seu relacionamento.

Em primeiro lugar, há uma forte relação estatisticamente significativa entre os dois (com um quadrado-R de 75%) - de fato, dado que o valor do VXX é em parte determinado pelo VX, como não poderia haver?

Em segundo lugar, o intercepto da regressão é negativo e estatisticamente significativo. Podemos, portanto, concluir que o baixo desempenho do VXX em relação ao VX não é apenas uma questão de ótica, mas é um fenômeno estatisticamente confiável. Portanto, a idéia básica de vender o VXX contra o VX é boa, pelo menos no sentido estatístico.

Construindo o Portfólio Inicial.

Ao construir nosso portfólio teórico, vou passar por cima de algumas questões técnicas importantes sobre como construir o hedge ótimo e simplesmente afirmar que o melhor que podemos fazer é aplicar um beta de cerca de 1,2 para produzir o seguinte resultado:

Embora amplamente positivo, com uma relação de informação de 1,32, o desempenho da estratégia é um pouco desanimador, em vários níveis. Em primeiro lugar, a volatilidade anual, acima de 48%, é desconfortavelmente alta. Em segundo lugar, a estratégia experimenta quedas muito substanciais em momentos em que a curva de volatilidade se inverte, como em agosto de 2015 e janeiro de 2016. Finalmente, a estratégia está altamente correlacionada com o índice S & P500, que pode ser uma consideração importante para investidores que procuram maneiras de diversificar seu risco de carteira de ações.

Explorando efeitos de calendário.

Vamos abordar estas questões em pouco tempo. Em primeiro lugar, porém, quero chamar a atenção para um efeito calendário interessante na estratégia (usando uma análise simples de tabela dinâmica).

Como você pode ver na tabela acima, os retornos da estratégia nos últimos dias do mês tendem a ser significativamente abaixo de zero.

A causa do fenômeno tem a ver com a maneira como a VXX é construída, mas o ponto importante aqui é que, em princípio, podemos utilizar esse efeito a nosso favor, revertendo as posições da carteira por volta do final do mês. Essa técnica simples produz uma melhora significativa nos retornos da estratégia, enquanto diminui a correlação:

Redução do Risco e Correlação da Carteira.

Podemos agora abordar a questão do alto nível residual de volatilidade da estratégia, reduzindo simultaneamente a correlação da estratégia para um nível muito mais baixo. Podemos fazer isso de maneira direta, adicionando um terceiro ativo, o SPDR S & P 500 ETF Trust (NYSEArca: SPY), no qual teremos uma posição vendida para explorar a correlação negativa da carteira original.

Em seguida, ajustamos os pesos da carteira para maximizar os retornos ajustados ao risco, sujeitos a limites na volatilidade e correlação máximas da carteira. Por exemplo, definindo um limite de 10% para a volatilidade e correlação, obtemos o seguinte resultado (com pesos -0,37 0,27 -0,65 para VXX, VX e SPY, respectivamente):

Comparado com o portfólio original, o desempenho do novo portfólio é muito mais benigno durante o período crítico do segundo trimestre de 2015 até o primeiro trimestre de 2016 e embora permaneçam vários períodos significativos de rebaixamento, principalmente em 2011, a estratégia está agora se aproximando de uma proposta de investimento. uma relação de informação de 1,6 e volatilidade anual de 9,96% e correlação de 0,1.

Outras configurações são possíveis, é claro, e o desempenho ajustado ao risco pode ser melhorado, dependendo das preferências de risco do investidor.

Há um elemento de ajuste de curva no processo de pesquisa, conforme descrito até agora, na medida em que estamos usando todos os dados disponíveis até julho de 2016 para construir um portfólio com as características desejadas. Na prática, é claro, seremos obrigados a reequilibrar a carteira periodicamente, re-estimando os pesos ótimos da carteira à medida que novos dados chegam. A título ilustrativo, a carteira foi reestimada usando dados na amostra para a carteira. final de fevereiro de 2016, produzindo resultados fora da amostra durante o período de março a julho de 2016, como segue:

Um exame detalhado do problema genérico de quão frequentemente reequilibrar o portfólio está além do escopo deste artigo e deixo para os analistas interessados realizar a pesquisa por si mesmos.

Considerações práticas.

Para implementar a estratégia teórica descrita acima, há várias etapas práticas importantes que precisam ser consideradas.

Não é imediatamente aparente como os pesos devem ser aplicados a uma carteira compreendendo ETNs e futuros. Na prática, a melhor abordagem é re-estimar o portfólio usando uma relação de regressão expressa em termos de valor $, em vez de porcentagens, para estabelecer a quantidade de ações VXX e SPY a serem vendidas por contrato futuro de VX. A reversão das posições do portfólio nos últimos dias do mês aumentará significativamente os custos de transação, especialmente para a posição em futuros de VX, para a qual o tamanho mínimo de tick é de $ 50. É importante calcular as estimativas realistas dos custos de transação na avaliação do desempenho geral da estratégia e especificamente com relação às reversões no final do mês. A estratégia assumiu a disponibilidade de VXX e SPY para curto, o que ocasionalmente pode ser um problema. Não é um problema tão grande se você está mantendo uma posição curta de longo prazo, mas virar a posição em torno de algumas ais no final do mês pode ser problemático, de tempos em tempos. Além disso, devemos levar em conta os custos de financiamento de empréstimos de ações, que chegam a cerca de 2,9% e 0,42% ao ano para VXX e SPY, respectivamente. Essas taxas podem variar com as condições de mercado e disponibilidade de estoque, é claro. É altamente provável que outros ETFs / ETNs possam ser adicionados de forma lucrativa ao mix a fim de reduzir ainda mais a volatilidade da estratégia e melhorar os retornos ajustados ao risco. Os candidatos prováveis poderiam incluir, por exemplo, o ETF Direxion Daily 20+ Yr Trsy Bull 3X (NYSEArca: TMF). Já mencionamos a importante questão do rebalanceamento de portfólio. Há um argumento para reequilibrar com mais frequência para aproveitar os dados mais recentes do mercado; por outro lado, mudanças muito frequentes na composição da carteira podem minar a robustez da carteira, aumentar a volatilidade e incorrer em custos de transação mais altos. A questão de com que freqüência reequilibrar o portfólio é importante e requer mais testes para determinar a frequência ótima de rebalanceamento.

Conclusão.

Descrevemos o processo de construção de uma estratégia de carry de volatilidade com base no valor relativo do contrato VXX ETN versus o contrato de vencimento em futuros VIX. Ao combinar uma carteira composta por posições curtas em VXX e SPY com uma posição longa em futuros VIX, o investidor pode, em princípio, obter retornos ajustados ao risco correspondentes a uma relação de informação de cerca de 1,6 ou mais. Acredita-se que melhorias adicionais no desempenho do portfólio possam ser alcançadas pela adição de outros ETFs ao mix do portfólio.

Artigos relacionados.

Estratégias de Escalpelamento de Alta Freqüência.

Cópulas de Correlação.

Modelando Volatilidade e Correlação.

1 comentário. Deixa novo.

Desenvolvendo uma estratégia de transporte de volatilidade [Jonathan Kinlay] Para começar, começamos revisando uma característica bem conhecida do iPath S & P 500 VIX ST Futures ETN (NYSEArca: VXX). Em comum com outros ETF / ETNs de volatilidade longa, o VXX tem uma tendência a diminuir em valor devido à forma inclinada para cima da curva de volatilidade para a frente. O gráfico abaixo, que ilustra a queda no valor do VXX, juntamente com o contrato VIX de futuros do mês anterior, [& # 8230;]

Construa estratégias melhores! Parte 2: Sistemas Baseados em Modelos.

Os sistemas de negociação vêm em dois tipos: baseados em modelos e mineração de dados. Este artigo trata de estratégias baseadas em modelos. Mesmo quando os algoritmos básicos não são complexos, desenvolvê-los adequadamente tem suas dificuldades e armadilhas (caso contrário, qualquer um estaria fazendo isso). Uma ineficiência significativa do mercado dá ao sistema apenas uma vantagem relativamente pequena. Qualquer pequeno erro pode transformar uma estratégia vencedora em uma perdida. E você não vai necessariamente notar isso no backtest.

O desenvolvimento de uma estratégia baseada em modelo começa com a ineficiência do mercado que você deseja explorar. A ineficiência produz uma anomalia de preço ou padrão de preço que você pode descrever com um modelo qualitativo ou quantitativo. Tal modelo prevê o preço atual y t do preço anterior y t-1 mais alguma função f de um número limitado de preços anteriores mais algum termo de ruído ε:

A distância temporal entre os preços y t é o período de tempo do modelo; o número n de preços usado na função f é o período de lookback do modelo. Quanto mais alto o termo preditivo em relação ao termo não-previsto, melhor é a estratégia. Alguns traders afirmam que seu método favorito não prediz, mas "reage ao mercado" # 8217; ou alcança um retorno positivo por outros meios. Em um determinado fórum de traders você pode até mesmo encontrar um professor de matemática que reinventou o sistema de negociação de grade, e elogiou-o como não-preditivo e até capaz de negociar uma curva de passeio aleatório. Mas sistemas que não predizem de alguma maneira devem confiar na sorte; eles só podem redistribuir o risco, por exemplo, trocar um alto risco de uma pequena perda por um baixo risco de uma perda alta. A expectativa de lucro permanece negativa. Até onde eu sei, o professor ainda está tentando vender seu trader de grade, ainda anunciando como não previsível, e ainda regularmente soprando sua conta demo com ele.

Negociar jogando uma moeda perde os custos de transação. Mas negociando aplicando o modelo errado & # 8211; por exemplo, a tendência segue para uma série de preços de reversão à média & # 8211; pode causar perdas muito maiores. O comerciante médio de fato perde mais do que por negociação aleatória (cerca de 13 pips por negociação, de acordo com as estatísticas da FXCM). Portanto, não é suficiente ter um modelo; Você também deve provar que é válido para o mercado que você negocia, no momento em que você negocia, e com o período de tempo usado e período de lookback.

Nem todas as anomalias de preços podem ser exploradas. Limitar os preços das ações a 1/16 de frações de dólar é claramente uma ineficiência, mas é provavelmente difícil usá-lo para fazer previsões ou ganhar dinheiro com isso. As estratégias baseadas em modelos de trabalho que conheço, seja da teoria ou porque fomos contratados para codificar algumas delas, podem ser classificadas em várias categorias. Os mais frequentes são:

O impulso na curva de preços é provavelmente a anomalia mais significativa e mais explorada. Não há necessidade de elaborar aqui, pois a tendência seguinte foi o tópico de uma série de artigos completa neste blog. Há muitos métodos de seguir tendências, sendo o clássico um crossover de média móvel. Este "Olá mundo" & # 8217; de estratégias (aqui os scripts em R e em C) rotineiramente falha, porque não distingue entre momentum real e picos ou vales aleatórios na curva de preço.

O problema: o momentum não existe em todos os mercados o tempo todo. Qualquer ativo pode ter períodos longos sem tendência. E ao contrário da crença popular, isso não é necessariamente um mercado lateral. Uma curva de passeio aleatório pode subir e descer e ainda não tem momento. Portanto, um bom filtro que detecta o regime real de mercado é essencial para os sistemas que seguem a tendência. Aqui está uma estratégia mínima do Zorro que usa um filtro passa-baixa para detectar a inversão de tendência e o indicador MMI para determinar quando estamos entrando no regime de tendência:

A curva de lucro desta estratégia:

Curva de lucro de estratégia de impulso.

(Para simplificar, todos os trechos de estratégia desta página são sistemas barebone sem mecanismo de saída além da reversão e sem paradas, trailing, treinamento de parâmetros, gerenciamento de dinheiro ou outros truques. É claro que os backtests não significam de forma alguma que eles sejam sistemas rentáveis As curvas P & amp; L são todas do EUR / USD, um bem válido para demonstrações, uma vez que parece conter um pouco de toda a ineficiência possível).

2. Reversão Média.

Um mercado de reversão significa um valor real & # 8216; ou & # 8216; preço justo & # 8217; de um ativo. Os comerciantes compram quando o preço real é mais barato do que deveria, e vendem quando é mais caro. Isso faz com que a curva de preço retorne à média com mais frequência do que em uma caminhada aleatória. Dados aleatórios são médios revertendo 75% do tempo (prova aqui), então qualquer coisa acima de 75% é causada por uma ineficiência do mercado. Uma modelo:

= algum termo de ruído aleatório.

Quanto maior o fator de meia-vida, mais fraca é a reversão à média. A meia-vida de reversão à média na série de preços é normalmente na faixa de 50 a 200 barras. Você pode calcular λ por regressão linear entre y t-1 e (y t-1 - y t). A série de preços não precisa ser estacionária para experimentar reversão à média, uma vez que o preço justo pode ser desviado. Apenas deve derrapar menos como em um passeio aleatório. A reversão média é geralmente explorada pela remoção da tendência da curva de preços e pela normalização do resultado. Isso produz um sinal oscilante que pode disparar trocas quando se aproxima de uma parte superior ou inferior. Aqui está o script de um sistema simples de reversão à média:

O filtro passa-alta amortece todos os ciclos acima de 30 bar e, assim, elimina a tendência da curva de preços. O resultado é normalizado pela transformação de Fisher, que produz uma distribuição gaussiana dos dados. Isso nos permite determinar limites fixos em 1 e -1 para separar as caudas da curva de sino resultante. Se o preço entrar numa cauda em qualquer direção, um negócio é acionado antecipando que ele retornará em breve para a barriga do sino. Para detectar o regime de reversão, o script usa o Expoente Hurst. O expoente é 0,5 para uma caminhada aleatória. Acima de 0,5 começa o regime de momentum e abaixo de 0,5 regime de reversão da média.

Curva de lucro da reversão média.

3. Arbitragem Estatística.

As estratégias podem explorar a similaridade entre dois ou mais ativos. Isso permite proteger o primeiro ativo por uma posição inversa no segundo ativo, e dessa forma obter lucro da reversão à média de sua diferença de preço:

onde y 1 e y 2 são os preços dos dois ativos e os fatores de multiplicação h 1 e h 2, suas taxas de hedge. As taxas de hedge são calculadas de forma que a média da diferença y seja zero ou um valor constante. O método mais simples para calcular as taxas de hedge é a regressão linear entre y 1 e y 2. Uma estratégia de reversão à média como acima pode então ser aplicada a y.

Os ativos não precisam ser do mesmo tipo; Um sistema de arbitragem típico pode ser baseado na diferença de preço entre um índice ETF e seu principal estoque. Quando y não está parado & # 8211; significando que sua média tende a vagar lentamente & # 8211; as taxas de hedge devem ser adaptadas em tempo real para compensação. Aqui está uma proposta usando um filtro de Kalman por um colega blogueiro.

O sistema de arbitragem simples do tutorial R:

4. Restrições de preço.

Uma restrição de preço é uma força artificial que causa um desvio constante de preço ou estabelece uma faixa de preço, piso ou teto. O exemplo mais famoso foi o limite de preço EUR / CHF mencionado na primeira parte desta série. Mas, mesmo após a remoção do limite, o preço EUR / CHF ainda tem uma restrição, desta vez não imposta pelo banco nacional, mas pela forte assimetria atual no poder de compra de EUR e CHF. Um exemplo extremo de um preço variável é o par EUR / DKK (veja abaixo). Todas essas restrições podem ser usadas em estratégias para a vantagem do comerciante.

Faixa de preço EUR / DKK 2006-2016.

Os ciclos não sazonais são causados pelo feedback da curva de preços. Quando os traders acreditam em um preço justo & # 8217; & # 8217; de um activo, vendem ou compram frequentemente uma posição quando o preço atinge uma certa distância desse valor, na esperança de uma reversão. Ou fecham posições vencedoras quando o movimento de preços favorito começa a desacelerar. Esses efeitos podem sincronizar entradas e saídas entre um grande número de traders e fazer com que a curva de preços oscile com um período estável ao longo de vários ciclos. Muitas vezes, muitos desses ciclos são superpostos na curva, assim:

Quando você conhece o período C i e a fase D i do ciclo dominante, é possível calcular os pontos de entrada e saída de comércio ideais, contanto que o ciclo persista. Ciclos na curva de preços podem ser detectados com funções de análise espectral & # 8211; por exemplo, transformação rápida de Fourier (FFT) ou simplesmente um banco de filtros de passagem de banda estreitos. Aqui está o espectro de frequências do EUR / USD em outubro de 2015:

Espectro EUR / USD, duração do ciclo em barras.

A exploração de ciclos é um pouco mais complicada do que a tendência ou a reversão à média. Você precisa não apenas do comprimento do ciclo dominante do espectro, mas também de sua fase (para disparar comércios no momento certo) e sua amplitude (para determinar se existe um ciclo que valha a pena ser negociado). Este é um script barebone:

A função DominantPhase determina a fase e o comprimento do ciclo do pico dominante no espectro; o último é armazenado na variável rDominantPeriod. A fase é convertida em uma curva senoidal que é deslocada adiante por π / 4. Com esse truque, obteremos uma curva senoidal que vai além da curva de preços. Assim, fazemos a previsão real de preços aqui, apenas a questão é se o preço seguirá nossa previsão. Isso é determinado pela aplicação de um filtro de passagem de banda centrado no ciclo dominante na curva de preço e medindo sua amplitude (oi na fórmula). Se a amplitude estiver acima de um limiar, concluímos que temos um ciclo suficientemente forte. O roteiro, em seguida, entra em um vale da curva senoidal de avanço e curto em um pico. Como os ciclos são de curta duração, a duração de uma negociação é limitada por ExitTime a um máximo de 10 ciclos.

Podemos ver na curva P & L que houve longos períodos em 2012 e 2014 sem ciclos fortes na curva de preços EUR / USD.

6. Clusters.

O mesmo efeito que faz com que os preços oscilar também pode deixá-los agrupar em certos níveis. O clustering extremo pode até produzir o "fornecimento" & # 8221; e & # 8220; demanda & # 8221; linhas (também conhecidas como & # 8220; suporte e resistência & # 8220;), os assuntos favoritos em seminários de negociação. Os palestrantes de seminários especializados podem desenhar linhas de suporte e resistência em qualquer gráfico, não importando se os preços da barriga de porco ou as pontuações de beisebol do ano passado. No entanto, a mera existência dessas linhas permanece discutível: existem poucas estratégias que realmente as identificam e exploram, e menos ainda que realmente produzem lucros. Ainda assim, os clusters de curvas de preços são reais e podem ser facilmente identificados em um histograma semelhante ao espectograma de ciclos.

7. Padrões de Curva.

Eles surgem do comportamento repetitivo dos comerciantes. Os comerciantes não apenas produzem, mas também acreditam em muitos padrões de curva; mais & # 8211; como a famosa & # 8216; cabeça e ombros & # 8217; padrão que é dito para prever a inversão de tendência & # 8211; são mitos (pelo menos eu não encontrei nenhuma evidência estatística disso, e não ouvi de nenhuma outra pesquisa que confirmasse a existência de previsões de cabeças e ombros em curvas de preço). Mas alguns padrões, por exemplo, xícaras & # 8221; ou "xícaras", realmente existem e podem, de fato, preceder um movimento para cima ou para baixo. Padrões de curva & # 8211; não deve ser confundido com padrões de velas & # 8211; podem ser explorados por métodos de detecção de padrões, como o algoritmo Fréchet.

Uma variante especial de um padrão de curva é o Breakout & # 8211; um impulso repentino depois de um longo movimento lateral. Isso pode ser causado, por exemplo, pela tendência do trader de colocar suas perdas de parada a uma curta distância abaixo ou acima do patamar atual. Acionar as primeiras paradas acelera o movimento do preço até que mais e mais paradas sejam acionadas. Esse efeito pode ser explorado por um sistema que detecta um período lateral e, em seguida, fica aguardando o primeiro movimento em qualquer direção.

8. Sazonalidade.

& # 8220; Temporada & # 8221; não significa necessariamente uma temporada de um ano. Oferta e demanda também podem seguir padrões mensais, semanais ou diários que podem ser detectados e explorados por estratégias. Por exemplo, o índice S & P500 costuma subir para cima nos primeiros dias de um mês, ou para mostrar uma tendência ascendente nas primeiras horas da manhã, antes do pregão principal do dia. Como os efeitos sazonais são fáceis de explorar, eles são frequentemente de curta duração, fracos e, portanto, difíceis de detectar apenas por meio de curvas de preços. Mas eles podem ser encontrados ao traçar um perfil de dia, semana ou mês das diferenças da curva de preço médio.

Quando os participantes do mercado contemplam se entram ou fecham uma posição, eles parecem chegar a conclusões semelhantes quando têm tempo para pensar durante a noite ou durante o final de semana. Isso pode fazer com que o preço comece em um nível diferente quando o mercado abrir novamente. As diferenças de preço durante a noite ou no final de semana são geralmente mais previsíveis do que as alterações de preço durante as horas de negociação. E, claro, eles podem ser explorados em uma estratégia. No fórum do Zorro, foi recentemente discutida a questão do “One Night Stand System”, um comerciante de moeda de fim de semana simples, com lucros misteriosos.

10. Autorregressão e heteroscedasticidade.

O último é uma palavra chique para: "Os preços mudam muito e o jittering varia com o tempo" # 8221 ;. Os modelos ARIMA e GARCH são os primeiros modelos que você encontra em matemática financeira. Eles assumem que retornos futuros ou volatilidade futura podem ser determinados com uma combinação linear de retornos passados ou volatilidade passada. Esses modelos são muitas vezes considerados puramente teóricos e sem uso prático. Não é verdade: você pode usá-los para prever o preço de amanhã como qualquer outro modelo. Você pode examinar um correlograma & # 8211; uma estatística da correlação do retorno atual com os retornos das barras anteriores & # 8211; para descobrir se um modelo ARIMA se ajusta a uma determinada série de preços. Aqui estão dois excelentes artigos de colegas blogueiros para usar esses modelos em estratégias de negociação: ARIMA + GARCH Trading Strategy no S & amp; P500 e Are ARIMA / GARCH Predictions Rentable?

11. Choques de preço.

Os choques de preços geralmente acontecem na segunda ou sexta-feira de manhã, quando empresas ou organizações publicam boas ou más notícias que afetam o mercado. Mesmo sem conhecer as notícias, uma estratégia pode detectar as primeiras reações de preço e saltar rapidamente para o bandwagon. Isso é especialmente fácil quando um grande choque está abalando os mercados. Aqui está uma estratégia simples de portfólio Forex que avalia as forças relativas das moedas para detectar choques de preço:

A curva de capital do sistema de força da moeda (você precisará do Zorro 1.48 ou superior):

Sistema de exploração de choque de preços.

A curva de capital azul acima reflete os lucros de pequenos e grandes saltos de preços da moeda. Você pode identificar claramente o choque do preço do Brexit e do CHF. É claro que tais estratégias funcionariam ainda melhor se as notícias pudessem ser detectadas e interpretadas de alguma forma. Alguns serviços de dados fornecem eventos de notícias com uma avaliação binária, como & # 8220; bom & # 8221; ou & # 8220; ruim & # 8221 ;. Especialmente de interesse são os relatórios de ganhos, conforme fornecidos pelos serviços de dados como Zacks ou Xignite. Dependendo de quais surpresas o relatório de lucros contém, os preços das ações e as volatilidades implícitas podem subir ou cair acentuadamente no dia do relatório e gerar lucros rápidos.

Para aprender o que pode acontecer quando as notícias são usadas de maneiras mais criativas, eu recomendo o excelente Índice de Medo de Robert Harris & # 8211; um livro obrigatório na biblioteca de qualquer hacker financeiro.

Esta foi a segunda parte da série Build Better Strategies. A terceira parte tratará do processo de desenvolvimento de uma estratégia baseada em modelos, desde a pesquisa inicial até a construção da interface do usuário. Caso alguém queira experimentar os snippets de código postados aqui, eu os adicionei ao repositório de scripts de 2015. Eles não são estratégias reais, no entanto. Os elementos que faltam & # 8211; otimização de parâmetros, algoritmos de saída, gerenciamento de dinheiro etc. & # 8211; será o tema da próxima parte da série.

26 reflexões sobre “Construir Estratégias Melhores! Parte 2: Sistemas Baseados em Modelos & rdquo;

Continue, ame seus artigos.

Este é o ciclo dominante & # 8217; ideia semelhante a Ehlers & # 8217; trabalhar sobre o assunto?

Eu não pareço lembrar qualquer menção de determinar a amplitude do ciclo como um filtro para remover negociações fracas / ruído. Interessante! Terá que olhar para isso. Obrigado pelo post.

Sim, o conceito de ciclo dominante é da Ehlers. Na minha experiência, um filtro que detecta a situação do mercado, como o limite de amplitude, é essencial para a maioria das estratégias baseadas em modelos & # 8211; é quase mais importante que o algoritmo de comércio em si.

Jcl, você gostaria de explicar / comentar mais o indicador de amplitude que é executado no Zorro? John Ehlers trabalho é realmente grande, mas vendo aplicado aos mercados reais hoje em dia é ainda mais valioso, IMHO.

A partir do manual do Zorro, o Aplitude é “o maior pico menos a menor mínima da Série de dados, suavizado sobre o TimePeriod com um EMA para que as flutuações mais recentes se tornem mais pesadas. & # 8220 ;. Então eu acho que é simplesmente algo como EMA (intervalo, período de tempo) da banda de freqüência do ciclo dominante.

Eu não consigo reproduzir nenhum dos resultados acima. Eu acho que é devido a parâmetros de trailing e similares. Da mesma forma, talvez eu esteja codificando uma estratégia que faça sentido, mas no final esqueço porque a considero não lucrativa quando o problema se deve à gestão do dinheiro e ao controle de risco.

Não seria útil adicionar um workshop em que algumas idéias de gerenciamento de riscos sejam implementadas para que os iniciantes possam entender melhor e desenvolver estratégias melhores. Eu sei que há todas aquelas funções de trilha construídas, mas usar uma ou outra até que uma curva fique boa é como andar meio cego, ou como jogar uma moeda na esperança de que a próxima função tentada funcione.

Esqueça a gestão de risco neste momento. Isso apenas distorceria os resultados e seria inútil quando o algoritmo não tivesse borda. O primeiro passo é o modelo. O segundo passo é um algoritmo baseado nesse modelo, com um retorno positivo em uma simulação com custo real de negociação. Isso é feito nos exemplos acima. É muito fácil criar sistemas que aparentemente geram bons retornos. A parte difícil é testar se o retorno é real ou apenas um viés de ajuste de curva. Esse seria o próximo passo, e somente se o sistema passar nesse teste, o modelo é justificado. Então você pode pensar em criar uma estratégia real a partir dele, com o trailing, o gerenciamento de riscos, o gerenciamento de dinheiro e assim por diante. Este é o último passo do desenvolvimento da estratégia, não o primeiro.

Reproduzir resultados publicados é geralmente difícil, mas não deve ser um problema aqui. Você tem o código e o ambiente de teste, assim você pode ver o que as funções retornam e quais negociações são abertas. Compare com seus próprios resultados. Desta forma, você pode descobrir rapidamente onde e por que eles são diferentes.

Obrigado pela resposta rápida. Minha culpa: eu estava realmente usando a lista de ativos de outro corretor e os resultados foram completamente reduzidos. Foi por isso que pensei que havia alguma mágica adicionada para obter os resultados. Quando eu uso as configurações de fxcm, recebo resultados semelhantes.

Sim, li no manual como uma estratégia deve ser desenvolvida a partir da ideia básica e passo a passo da adição de recursos.

É difícil saber se existe uma vantagem nos resultados. Não existe uma regra como: se a ideia simples dá uma certa quantidade de pips, então ela pode ter uma vantagem.

Muito obrigado por todos esses artigos. Estou lendo-os como um livro fascinante!

Você pode me ensinar um pouco mais sobre o lambda da reversão à média, ou seja, "Você pode calcular λ por meio de regressão linear entre yt-1 e (yt-1-yt) & # 8221 ;? Por que é que? Como podemos usar lambda no exemplo de reversão à média?

Quando você reformula a fórmula de reversão à média acima, assim:

você pode ver que é uma equação de linha na forma y = a * x + b, onde a = -1 / (1 + Lambda). Quando a é diferente de zero, a mudança de preço y (t) - y (t-1) tem uma relação linear com o desvio do preço anterior do preço justo, y (t-1) - Meio. O método matemático para determinar a inclinação a de muitos pares de dados (y (t) - y (t-1), y (t-1) - Mean) é a regressão linear. De um você começa o parâmetro de meia-vida Lambda. O mercado está invertendo quando um é negativo.

Obrigado pelo detalhe, jcl. Isso ajuda muito.

O procedimento parece correto para você?

As etapas são as seguintes:

1. Defina o nosso preço fechar com um dia -1.

2. Subtraia o preço de hoje perto contra o passado atrasado.

3. Subtrair (ontem preço próximo) & # 8211; média (do -1 fechamento do preço defasado)

4. Realize uma regressão linear em (preço de hoje & # 8211; preço de ontem)

(preço de ontem fechar) & # 8211; média (do -1 fechamento do preço defasado)

Código R para isso está abaixo, parece correto?

# Half Life of Mean Reversion.

# Andrew Bannerman 9.24.2017.

random. data & lt; - c (runif (1500, min = 0, max = 100))

# Calcule yt-1 e (yt-1-yt)

y. lag & lt; - c (random. data [2: length (random. data)], 0)

y. diff & lt; - random. data & # 8211; y. lag.

prev. y.mean & lt; - y. lag & # 8211; mean (y. lag)

final & lt; - mesclar (y. diff, prev. y.mean)

prev. y.mean, data = final. df)

As etapas parecem corretas. Para o código R, não ouso julgar a exatidão & # 8211; Coloque alguns dados e verifique se o valor da meia vida faz sentido.

Minha próxima pergunta é: isso pode ser aplicado a uma tendência linear? Eu testei o procedimento acima no SPY desde o início até o presente e a meia vida foi 939.6574. Não parece corrigir mesmo pensei que o procedimento parece correto. Jc & # 8211; você obteve resultados precisos usando este método de meia vida?

Eu tenho, e sim, ele pode ser aplicado a um trending asset, especialmente para o SPY. Mas quando se trata, verifique como você calcula a média: este é o seu alvo de reversão à média. Use 20 dias ou mais. Se você usar todos os dados para a média, então você pode obter a meia-vida do SPY revertendo para o seu preço de 1980, e eu acho que é infinito.

Se você está interessado neste método, pegue o livro de Ernie Chan. Ele contém uma descrição detalhada dos algos revertentes médios e do cálculo da meia vida.

Ok, se eu apresentar 20 dias, isso me dá a meia vida dos 2o dias anteriores? E quanto ao resto do tamanho da amostra? Então, rolamos isso em uma base de 20 dias, do início ao presente? Isso significa que a meia-vida provavelmente mudará à medida que a série rola no futuro?

Claro, você deve rolar. Para negociação, você quer a média e a meia-vida a partir de hoje, não a partir de 10 anos atrás. Como as séries de preços são não-estacionárias, a média muda o tempo todo. A meia-vida é muito mais estacionária, mas também pode mudar em diferentes condições de mercado.

Primeiramente, obrigado por este blog. Eu gostaria de ter encontrado isso anos atrás.

Eu sou um comerciante de opções muito pouco sofisticado (ao que parece). Ganhei a vida fazendo arbitragem de volatilidade, mas esse jogo está terminado. Eu tenho tentado me ensinar novos negócios e eu tentei negociar em pares usando alguns futuros de índices altamente correlacionados. Eu faria bem por um tempo, mas então o spread entre os futuros se moveria para um novo nível, geralmente eliminando qualquer lucro que eu tivesse.

Eu aprendi que isso era por causa de algo chamado de estacionariedade. Sempre que a propagação começaria a tendência eu perderia.

Na sua seção Stat Arb acima você afirma; & # 8221; Quando y não é estacionário - o que significa que sua média tende a se desviar lentamente - as taxas de hedge devem ser adaptadas em tempo real para compensar.

Você acha que meu problema poderia ser resolvido usando um filtro de Kalman, como sugerido, para chegar a proporções de hedge dinâmicas? O rácio de cobertura mudaria rápido o suficiente durante a negociação em tempo real para me salvar?

Eu estava negociando esses pares intraday.

Você pode usar um filtro de Kalman para quase tudo, mas para adaptar a relação de hedge também existem métodos mais simples, como a regressão linear permanente dos pares de preços N anteriores. A taxa de hedge é então a inclinação de regressão linear.

Eu acredito que o link para o post do blog sobre o filtro de Kalman mudou:

Sendo muito novo no Zorro / R, qual é a maneira mais fácil, mas lógica, de aplicar este filtro na troca de pares?

Obrigado pelo link. Com R, existem filtros de Kalman no FKF, KFAS e vários outros pacotes. Eu não tenho código pronto, mas o uso é descrito nos manuais em pdf para os pacotes.

Para qualquer pessoa interessada, eu vi um tutorial comparando o Copula vs Cointegration em Pairs Trading.

Aplicar um filtro de setor a uma estratégia de reversão à média.

25 de novembro de 2016.

Neste artigo, vou começar com o teste de uma estratégia simples de reversão à média das ações da S & amp; P500.

Vou então aplicar um filtro à estratégia que explica a fraqueza de curto prazo do setor ao qual uma ação pertence.

Estou interessado em descobrir se a seguinte estratégia de reversão à média pode ser melhorada se o negociante só comprar ações exageradas se elas também pertencerem a um setor de sobre-venda.

Regras de estratégia de linha de base.

Se o valor de IBS cumulativo de 2 períodos for inferior a 10, compre no dia seguinte. Saia da posição aberta se o preço de fechamento for maior do que o preço alto do dia anterior.

A captura de tela a seguir ilustra a entrada e a saída. Observe que o painel inferior representa o valor do IBS cumulativo de dois períodos.

Métricas de desempenho de estratégia.

Para testar o desempenho da estratégia, apresentei-a na lista de observação histórica constituinte de ações da S & amp; P 500 fornecidas pela NorgatePremium.

O número máximo de posições abertas permitidas por vez é 10. Se houver mais sinais do que as posições abertas disponíveis, os sinais serão classificados na ordem da IBS mais baixa primeiro.

Cada nova posição recebe uma alocação de 10% do patrimônio disponível.

Eu estou interessado apenas no desempenho da estratégia este ano, então o período de amostragem usado é 01/01/2016 & # 8211; 20/11/2016.

Os resultados do teste são como abaixo & # 8230;

Número de negócios = 207% dos vencedores = 65,22% Média P / L% por negociação = -0,02% Tempo médio de espera = 4 dias Retorno anualizado = -0,95% Retirada máxima = -9,65% CAR / MDD = -0,10 Exposição = 33,74 %

A curva de capital e a decomposição mensal dos retornos é a seguinte…

Como você pode ver no gráfico e tabela acima, essa estratégia em particular tem sido um perdedor em 2016.

O melhor e pior comércio do período de amostragem são mostrados abaixo & # 8230;

Aplicando um filtro de setor de sobrevenda.

Para o próximo teste, apliquei um filtro que permitia apenas uma negociação se, no dia do sinal, o setor ao qual uma ação pertence tem um RSI de período inferior a 10.

Por exemplo, a perda acima de 26,63% no CHK poderia ter sido evitada porque no dia do sinal (05/05/16) o índice do setor de energia não estava exagerado & # 8230;

O sinal mais recente encontrado foi $ MNK em 18/11/2016.

No entanto, como o índice do setor de assistência médica não estava exagerado no dia do sinal, não teríamos permissão para comprar o estoque:

Então, para recapitular, as regras da estratégia são as seguintes:

Se o valor de IBS cumulativo de 2 períodos ultrapassar 10 e o ticker de índice do setor ao qual a ação pertence, o valor de RSI (2) será inferior a 10. Compre o próximo dia aberto. Saia da posição aberta se o preço de fechamento for maior do que o preço alto do dia anterior.

Estratégia com métricas de desempenho de filtro.

Nº de negócios = 87% dos vencedores = 78,16% Média de P / L% por negociação = 0,87% Tempo médio de espera = 4 dias Retorno anualizado = 8,77% Demissão máxima = -7,00% CAR / MDD = 1,25 Exposição = 11,47%

A curva de capital e a decomposição mensal dos retornos é a seguinte…

Os resultados acima mostram que o sistema simples de reversão à média apresentado neste artigo poderia ter sido melhorado durante 2016 se apenas as ações negociadas pertencessem a um setor de sobre-venda.

4 comentários.

Responder 26 de novembro de 2016.

Oi Llewelyn! Espero que você esteja indo bem. Eu queria saber se essa abordagem do setor oversold mostra que é melhor do que olhar para o RSI do mercado em geral. Você já comparou?

Responder 26 de novembro de 2016.

Eu comparei. Os resultados do teste se estiver usando o SPX RSI (2) como o filtro foram os seguintes:

Nº de negócios = 63.

% de vencedores = 71,43%

% P / L médio por negociação = 0,55%

Tempo médio de espera = 4 dias.

Retorno anualizado = 3,81%

Rebaixamento máximo = -7,00%

Resposta 28 de novembro de 2016.

Outro grande post Llewelyn. Acho que isso leva a um estudo de acompanhamento que, se você passar pelo filtro do setor, as ações desse setor poderiam ser classificadas.

No seu exemplo de reversão à média, a equidade mais vendida (ou várias ações) seria então a candidata à entrada Longa. Isso exigiria a capacidade de identificar quais ações estão em quais setores, mas estou confiante de que está dentro da capacidade da AmiBroker.

Obrigado, continue o excelente trabalho.

Resposta 30 de novembro de 2016.

Obrigado por ler o artigo. Peço desculpa pela resposta tardia ao seu comentário.

Eu uso os dados do Norgate Premium (Alpha) e eles muito convenientemente atribuem o GICSID () apropriado para cada ticker. Their data also includes sector index tickers such as $SPXE for energy sector, $SPXD for consumer discretionary sector, and so on.

The following Amibroker exploration should provide you with an idea of the logic that I used (Note that I have changed the rules in order to provide more signals for you to analyse)….

//Ticker Sector Oversold?//

BuySetup = FiveDayLowC AND TSOS;

Espero que isso ajude.

Deixar uma resposta Cancelar resposta.

Entre para a área de membros & # 8230;

Pesquisa de dados financeiros.

Tutorial Amibroker: Identificando um & hellip;

Narrow Range Day NR7 Estratégia de Negociação & hellip;

Movendo os resultados do teste de estratégia de impulso.

Teste de estratégia de tempo de mercado CVR3 VIX & hellip;

Teste de estratégia de negociação em nuvem Ichomoku & hellip;

Disclaimer - Forex, futuros, ações e opções de negociação não é apropriado para todos. Existe um risco substancial de perda associado à negociação desses mercados. Perdas podem e vão ocorrer. Nenhum sistema ou metodologia foi desenvolvido para garantir lucros ou garantir a ausência de perdas. Nem será provável que seja. Nenhuma representação ou implicação está sendo feita de que o uso da metodologia ou sistema BacktestWizard, ou das informações contidas em qualquer material do BacktestWizard, gere lucros ou garanta a ausência de perdas. RESULTADOS DE DESEMPENHO HIPOTÉTICOS OU SIMULADOS TÊM CERTAS LIMITAÇÕES. A PARTIR DE UM REGISTRO DE DESEMPENHO REAL, OS RESULTADOS SIMULADOS NÃO REPRESENTAM A NEGOCIAÇÃO REAL. TAMBÉM, UMA VEZ QUE AS COMERCIALIZAÇÕES NÃO FORAM EXECUTADAS, OS RESULTADOS PODEM TER COMPENSADO PARA O IMPACTO, SE ALGUM, DE DETERMINADOS FATORES DE MERCADO, COMO A FALTA DE LIQUIDEZ. PROGRAMAS DE NEGOCIAÇÃO SIMULADOS EM GERAL TAMBÉM ESTÃO SUJEITOS AO FATO DE QUE ELES FORAM CONCEBIDOS COM O BENEFÍCIO DE HINDSIGHT. NENHUMA REPRESENTAÇÃO ESTÁ SENDO FEITA QUE QUALQUER CONTA PODERÁ OU POSSIBILITAR LUCROS OU PERDAS SEMELHANTES AOS APRESENTADOS.

Fábrica forex online Almirante Tamandaré

Wednesday 21 March 2018

Futuros de estratégia de reversão média

No comments:

Post a Comment