Zeitreihen Momentum Versus Moving Average Trading Rules

Trend-folgend ist eine der ältesten Investitionsmethoden, die als technische Analyse markiert wurde. Der Trend folgte weitgehend unrecherchiert von Wissenschaftlern. Die Forschung der Querschnittsmomentum explodierte nach Narasimhan Jegadeesh und Sheridan Titman veröffentlichte ihre Seminal 1992-Studie, aber Zeitreihen-Dynamik blieb Weitgehend ignoriert bis nach 2008 Preis-basierte Trendfolgen-Techniken, wie gleitende durchschnittliche Systeme, blieben getrennt von Rendite-basierten Zeitreihen-Impuls-Techniken. Neue Forschungen zeigen, dass bewegte durchschnittliche Systeme und Zeitreihen-Dynamik mathematisch verbundenen Techniken Im Jahre 1838 veröffentlichte James Grant The Great Metropolis, Band 2. Innerhalb, sprach er von David Ricardo, ein englischer Politikwissenschaftler, der auf den Londoner Märkten aktiv war Den späten 1700er und frühen 1800er Jahren. Ricardo sammelte ein großes Vermögen, das sowohl Anleihen als auch Aktien bezog. Nach Grant wurde Ricardos Erfolg auf drei goldene Regeln zurückgeführt: Wie ich den Namen von Herrn Ricardo erwähnt habe, kann ich beobachten, dass er sein unermessliches Vermögen durch eine gewissenhafte Aufmerksamkeit auf das bezog, was er seine eigenen drei goldenen Regeln nannte, die Einhaltung von Die er auf seine privaten Freunde drückte. Diese waren, niemals ablehnen eine Option, wenn Sie es bekommen können, Schneiden Sie Ihre Verluste, Lassen Sie Ihre Gewinne laufen auf. Durch den Abbau von Verlusten in den Verlusten bedeutete Herr Ricardo, dass, wenn ein Mitglied einen Aktienkauf getätigt und die Preise sinken würden, er sofort weiterverkaufen müsse. Und indem er Gewinne laufen ließ, bedeutete er, daß, wenn ein Glied Besitz besäße, und Preise sich erhoben, er nicht verkaufen solle, bis die Preise ihren Höhepunkt erreicht hätten und wieder zu fallen begannen. Dies sind in der Tat goldene Regeln und können mit Vorteil auf unzählige andere Transaktionen angewendet werden, als jene, die mit der Börse verbunden sind. Kürzen Sie Ihre Verluste und lassen Sie Ihre Gewinne laufen zu den Grundpfeilern der Trendfolgen. Andere prominente frühe Tendenzfolger schließen ein: Charles H. Dow, Gründer und erster Herausgeber des Wall Street Journal sowie Mitbegründer von Dow Jones und Company Jesse Livermore, der von Edwin Lefvre zitiert wird, wie gesagt, das große Geld war Nicht in den einzelnen Fluktuationen, sondern in den Hauptbewegungen. Ausbau der gesamten Markt und seine Tendenz. Richard Wyckoff, dessen Methode das Eingehen von Long-Positionen nur, wenn der Markt war Trending und Shorting, wenn der Markt trends. Es gab sogar eine frühe akademische Studie der Trendfolgen von Alfred Cowles III und Herbert Jones im Jahr 1933 durchgeführt. In der Studie mit dem Titel Einige A Posteriori Wahrscheinlichkeiten in Stock Market Action. Konzentrieren sie sich auf die Zählung der Anzahl der Sequenzen Zeiten, wenn positive Renditen von positiven Renditen gefolgt wurden, oder negative Renditen wurden von negativen Rückkehr in die Umkehrzeiten gefolgt, wenn positive Renditen von negativen Renditen gefolgt sind, und umgekehrt. Cowles und Jones bewerteten das Verhältnis dieser Sequenzen und Umkehrungen der Aktienkurse im Zeitraum von 20 Minuten bis 3 Jahren. Ihre Ergebnisse: Es wurde festgestellt, dass für jede Serie mit Intervallen zwischen Beobachtungen von 20 Minuten bis zu 3 Jahren die Sequenzen die Umkehrungen überzahlten. Im Fall der Monatsreihe von 1835 bis 1935, insgesamt 1200 Beobachtungen, gab es 748 Folgen und 450 Umkehrungen. Das heißt, die Wahrscheinlichkeit schien 625 zu sein, daß, wenn der Markt in einem gegebenen Monat gestiegen wäre, er im darauffolgenden Monat steigen würde, oder wenn er gefallen wäre, daß er für einen weiteren Monat weiter sinken würde. Die Standardabweichung für eine solche lange Reihe, die durch zufälliges Penny-Werfen konstruiert wird, wäre 17,3, daher beträgt die Abweichung von 149 von dem erwarteten Wert von 599 das achtfache der Standardabweichung. Die Wahrscheinlichkeit, ein solches Ergebnis in einer Penny-werfenden Reihe zu erhalten, ist infinitesimal. Trotz vielversprechender empirischer und theoretischer Ergebnisse für Trendfolgen würden die nächsten akademischen Studien erst nahezu ein Jahrhundert später kommen. 1934 veröffentlichten Benjamin Graham und David Dodd Sicherheitsanalyse. Später, 1949, veröffentlichten sie den intelligenten Investor. In diesen gewichtigen Tieren, sie umreißen ihre Methoden für eine erfolgreiche Investition. Graham und Dodds-Methode auf die Bewertung der finanziellen Lage der zugrunde liegenden Geschäft konzentriert. Ihr Ziel war es, einen Unternehmenswert und einen Kaufbestand zu identifizieren, wenn der Markt einen erheblichen Rabatt auf diesen Wert bot. Für Graham und Dodd war alles andere Spekulation. Graham und Dodd gaben fundamentalen Investoren und speziell Wert-Investoren ihre Bibel. Alles, was nicht fundamental war, war die technische Analyse. Und da Trend-Following nur auf die Bewertung der vergangenen Preise, es wurde als technische Analyse. Leider, Akademiker weitgehend entlassen technische Analyse durch die 1900er Jahre. Dies ist wahrscheinlich aufgrund der Tatsache, dass es schwierig zu studieren und zu testen. Die Praktizierenden folgen einer großen Anzahl verschiedener Techniken. Manchmal können diese verschiedenen Techniken zu widersprüchlichen Vorhersagen zwischen Technikern führen. Aber im Jahr 1993, Narasimhan Jegadeesh und Sheridan Titman veröffentlicht Returns to Buying Gewinner und Verkauf von Losers: Auswirkungen auf die Börseneffektivität. In ihrer Arbeit skizzierten sie eine Anlagestrategie, die Aktien erwarb, die ihre Vergleichsgruppe übertrafen und Aktien verkauften, die unterdurchschnittlich waren. Jegadeesh und Titman nannten ihre Ansatz relativ Stärke ein Begriff, der lange von Technikern verwendet wurde. Nun wird es auch als Querschnittsmomentum bezeichnet. Relative Impulse, oder oft nur Impuls. Diese einfache Methode, die von Jegadeesh und Titman umrissen wurde, schuf statistisch signifikante positive Renditen, die nicht durch gemeinsame Risikofaktoren erklärt werden konnten. Dieses Papier führte in eine Ära der Impulsforschung, mit Wissenschaftlern zu erforschen, wie die Technik über geographische, zeitliche Rahmen und Asset-Klassen ging. Die Ergebnisse waren, dass die Dynamik überraschend robust war. Trotz des Erfolgs der relativen Stärke. Das Interesse an seinem engen Cousin-Trendfolgen war noch nicht zu finden. Bis zur Finanzkrise von 2008. Technisch gesehen wurde im Jahr 2006 eine der populärsten Forschungsarbeiten zum Trendfolgen von Mebane Fabers A Quantitative Approach to Tactical Asset Allocation veröffentlicht. Die Mehrheit der Akademiker fand jedoch nach 2008 statt. Wir schätzen dieses Interesse auf Trendfolgenrisikominderungseigenschaften. Die Studien fallen typischerweise in zwei Lager. Im ersten Lager war das Studium der Trendfolgen, die dazu tendierten, einfache mechanische Systeme, wie gleitende Durchschnitte zu folgen. Faber (2006) fiel in dieses Lager mit einem 10-monatigen gleitenden Durchschnitt Cross-Over. Es gibt verschiedene Varianten dieser Systeme. Zum Beispiel könnte man das Kreuz des Preises über dem gleitenden Durchschnitt als Signal verwenden. Ein anderer könnte das Kreuz eines kürzeren gleitenden Durchschnitts über einen längeren verwenden. Schließlich können einige sogar Richtungsänderungen im gleitenden Durchschnitt als das Signal verwenden. Andere tendierten dazu, sich auf das zu konzentrieren, was als Zeitreihenimpuls bekannt werden sollte. Im Zeitreihenmomentum wird das Handelssignal erzeugt, wenn die Gesamtrendite über eine gegebene Periode die Nulllinie kreuzt. Eine der prominentesten Studien für die Zeitreihen-Dynamik waren Moskowitz, Ooi und Pedersen (2011), die die Anomalie bei 58 Liquide Aktienindex-, Währungs-, Rohstoff - und Anleihe-Futures signifikant belegen konnten. Trendfolgende gleitende Durchschnittsregeln wurden nach wie vor als technische Handelsregeln gegenüber dem quantitativen Ansatz des Zeitreihenimpulses betrachtet. Vielleicht ist der größte Unterschied, dass die Tendenz folgendes Lager tendenziell auf Techniken mit Preisen konzentrieren, während das Momentum Lager auf Rückkehr fokussiert. Doch die Forschung über die letzten halben Jahrzehnt tatsächlich zeigt, dass sie mathematisch verwandte Strategien sind. Bruder, Dao, Richard und Roncallis 2011 Trend-Filter-Methoden für Momentum Strategien vereinten gleitende durchschnittliche Cross-Over-Strategien und Zeitreihen-Dynamik, indem sie zeigen, dass Crossover war wirklich nur ein alternatives Gewichtungsschema für Renditen in Zeitreihen-Dynamik. Um zu zitieren, bildet die Gewichtung jeder Rückkehr ein Dreieck, und die größte Gewichtung wird am Horizont des kleinsten gleitenden Durchschnitts angegeben. Daher kann der Indikator in Abhängigkeit von dem Horizont n 2 des kürzesten gleitenden Durchschnitts auf den aktuellen Trend (wenn n 2 klein ist) oder auf vergangene Trends (wenn n 2 so groß wie n 1 2 ist) fokussiert werden. In Marshall, Nguyen und Visaltanachotis Zeit-Serie Momentum versus Moving Average Trading Regeln. Veröffentlicht im Jahr 2012, wird der Zeitreihenimpuls auf die Richtungsänderung eines gleitenden Durchschnitts bezogen. Tatsächlich werden Zeitreihen-Impuls-Signale nicht auftreten, bis das gleitende Mittel die Richtung ändert. Daher werden vorausgehende Durchschnittsregeln, die sich auf den Preis beziehen, der den gleitenden Durchschnitt überschreitet, wahrscheinlich vor einer Änderung des Signals aus dem Zeitreihenimpuls auftreten. Ähnlich wie Bruder, Dao, Richard und Roncalli zeigen Levine und Pedersen, dass die Zeitreihen-Dynamik und die gleitenden durchschnittlichen Crossover in ihrer 2015-Zeitung in hohem Grade verwandt sind, welcher Trend Ihr Freund ist. Sie finden auch, dass Zeitreihen-Dynamik und gleitende durchschnittliche Cross-Over-Strategien ähnlich durchführen über 58 flüssige Futures und Forward-Kontrakte. Beekhuizen und Hallerbach verknüpfen in ihrem 2015-Papier, das die Trendregeln aufgreift, auch gleitende Durchschnitte mit Renditen, erkunden aber Trendregeln mit Skip-Perioden und der populären MACD-Regel (Moving Average Convergence Divergence). Unter Verwendung der implizierten Verknüpfung von gleitenden Durchschnitten und Renditen zeigen sie, dass der MACD so viel Trend folgt, wie es Mittelwert-Reversion ist. Diese Studien sind wichtig, weil sie helfen, den Ansatz der Preis-basierte Systeme zu validieren. Mathematisch miteinander verknüpft, können technische Ansätze wie gleitende Durchschnitte nun mit der gleichen theoretischen Basis verknüpft werden wie die wachsende Körperarbeit in Zeitreihen-Dynamik. Markt-Praktiker haben seit langem, dass der Trend ist dein Freund und akademische Literatur hat endlich begonnen, zu vereinbaren. Aber vielleicht, am wichtigsten, wissen wir jetzt, dass es egal, ob Sie den technischen Ansatz mit bewegten Durchschnitten oder die quantitative Ansatz der Messung Renditen nehmen. Zakamulin, V. J. Asset Manag (2014), 15: 261, S. 11). Zitieren Sie in diesem Artikel: In diesem Artikel werden die Mythen in Bezug auf die überlegene Performance von Markt-Timing-Strategien, basierend auf gleitenden Durchschnitts - und Zeitreihen-Impulsregeln, erneut untersucht. Diese aktiven Timing-Strategien sind für Investoren aufgrund ihrer außergewöhnlichen Einfachheit sehr attraktiv und weil sie wesentliche Vorteile gegenüber ihren passiven Pendants versprechen. Allerdings wirkt sich die zu gut um wahr gemachte Wertentwicklung dieser Marktregelungen für legitime Sorgen aus, ob diese Performance realistisch ist und ob Anleger erwarten können, dass die zukünftige Performance der dokumentierten historischen Performance entsprechen wird. Wir argumentieren, dass die gemeldete Performance von Markt-Timing-Strategien in der Regel enthält eine beträchtliche Data-Mining-Bias und ignoriert wichtige Marktrisiken. Um diese Probleme zu lösen, führen wir Out-of-Sample-Tests dieser beiden Timing-Modelle durch, bei denen wir realistische Transaktionskosten berücksichtigen. Unsere Ergebnisse zeigen, dass die Performance der Markt-Timing-Strategien ist hoch übertrieben, um es gelinde gesagt. Technische Analyse Markt-Timing einfache gleitende durchschnittliche Zeit-Serie Momentum Out-of-Sample-Tests Referenzen Anderson, R. M. Bianchi, S. W. Und Goldberg, L. R. (2012) Werden meine Risiko-Paritätsstrategie übertreffen Financial Analysts Journal 68 (6): 7593. CrossRef Google Scholar Aronson, D. (2006) Evidence-basierte technische Analyse: Anwendung der wissenschaftlichen Methode und statistische Inferenz auf Handelssignale, New Jersey: John Wiley amp Söhne. CrossRef Google Scholar Asness, C. S. Frazzini, A. und Pedersen, L. H. (2012) Nutzen Sie Abneigung und Risiko-Parität. Finanzanalysten Journal 68 (1): 4759. CrossRef Google Scholar Bauer, R. J. Und Dahlquist, J. R. (2001) Markt-Timing und Roulette-Räder. Finanzanalysten Journal 57 (1): 2840. CrossRef Google Scholar Berkowitz, S. A. Logue, D. E. Und Noser, E. A. (1988) Die Gesamtkosten der Transaktionen an der NYSE. Journal of Finance 43 (1): 97112. CrossRef Google Scholar Bessembinder, H. (2003) Probleme bei der Bewertung der Handelsausführungskosten. Zeitschrift für Finanzmärkte 6 (3): 233257. CrossRef Google Scholar Bodie, Z. Kane, A. und Marcus, A. J. (2007) Investitionen, New York: McGraw-Hügel. Google Scholar Brock, W. Lakonishok, J. und LeBaron, B. (1992) Einfache technische Handelsregeln und die stochastischen Eigenschaften von Aktienrenditen. Journal of Finance 47 (5): 17311764. CrossRef Google Scholar Chakravarty, S. und Sarkar, A. (2003) Handelskosten in drei US-Anleihemärkten. Journal of Fixed Income 13 (1): 3948. CrossRef Google Scholar Chan, L. K.C. Und Lakonishok, J. (1993) Institutionelle Geschäfte und Intraday-Aktienkursverhalten. Journal of Financial Economics 33 (2): 173199. CrossRef Google Scholar Dermody, J. C. und Prisman, E. Z. (1993) Keine Arbitrage und Bewertung in Märkten mit realistischen Transaktionskosten. Journal of Financial und Quantitative Analyse 28 (1): 6580. CrossRef Google Scholar Edwards, A. K. Harris, L. E. Und Piwowar, M. S. (2007) Unternehmensanleihenmarkt Transaktionskosten und Transparenz. Journal of Finance 62 (3): 14211451. CrossRef Google Scholar Faber, M. T. (2007) Ein quantitativer Ansatz für die taktische Asset-Allokation. Journal of Wealth Management 9 (4): 6979. CrossRef Google Scholar Freyre-Sanders, A. Guobuzaite, R. und Byrne, K. (2004) Eine Überprüfung des Handelskostenmodells: Reduzierung der Transaktionskosten. Journal of Investing 13 (3): 93116. CrossRef Google Scholar Gartley, H. M. (1935) Gewinne in der Börse, Pomeroy (Washington): Lambert Gann Pub. Google Scholar Gwilym, O. Clare, A. Seaton, J. und Thomas, S. (2010) Preis und Impuls als robuste taktische Ansätze für globale Aktieninvestitionen. Journal of Investing 19 (3): 8091. CrossRef Google Scholar Hansen, P. R. und Timmermann, A. (2013) Auswahl der Stichproben-Split in der Out-of-Sample Prognose Evaluation. Europäisches Hochschulinstitut, Universität Stanford und CREATES. Arbeitspapier. Hudson, R. Dempsey, M. und Keasey, K. (1996) Eine Anmerkung zur schwachen Formwirksamkeit der Kapitalmärkte: Die Anwendung einfacher technischer Handelsregeln auf britische Aktienkurse 1935 bis 1994. Zeitschrift für Banken und Finanzen 20 (6 ): 11211132. CrossRef Google Scholar Jegadeesh, N. und Titman, S. (1993) Rückkehr zum Kauf Gewinner und Verkauf von Verlierern: Auswirkungen auf die Effizienz des Aktienmarktes. Journal of Finance 48 (1): 6591. CrossRef Google Scholar Kilgallen, T. (2012) Testen Sie den einfachen gleitenden Durchschnitt über Rohstoffe, globale Aktienindizes und Währungen. Journal of Wealth Management 15 (1): 82100. CrossRef Google Scholar Knez, P. J. und Ready, M. J. (1996) Schätzung der Gewinne aus Handelsstrategien. Review of Financial Studies 9 (4): 11211163. CrossRef Google Scholar Lukac, L. P. und Brorsen, B. W. (1990) Ein umfassender Test des Futures-Markt-Ungleichgewichts. Finanzbericht 25 (4): 593622. CrossRef Google Scholar Lukac, L. P. Brorsen, B. W. Und Irwin, S. H. (1988) Ein Test des Futures-Markt-Ungleichgewichts mit zwölf verschiedenen technischen Handelssystemen. Angewandte Volkswirtschaftslehre 20 (5): 623639. CrossRef Google Scholar Marcellino, M. Stock, J. H. Und Watson, M. W. (2006) Vergleich von direkten und iterierten mehrstufigen AR-Methoden zur Prognose makroökonomischer Zeitreihen. Journal of Econometrics 135 (12): 499526. CrossRef Google Scholar Modigliani, F. und Modigliani, L. (1997) Risikobereitschaft. Zeitschrift für Portfolio Management 23 (2): 4554. CrossRef Google Scholar Moskowitz, T. J. Ooi, Y. H. Und Pedersen, L. H. (2012) Zeitreihen-Momentum. Journal of Financial Economics 104 (2): 228250. CrossRef Google Scholar Okunev, J. und White, D. (2003) Führen dynamische Strategien immer noch in Fremdwährungsmärkten vor Journal of Financial and Quantitative Analysis 38 (2): 425447. CrossRef Google Scholar Park, C.-H. Und Irwin, S. H. (2007) Was wissen wir über die Rentabilität der technischen Analyse Journal of Economic Surveys 21 (4): 786826. CrossRef Google Scholar Pesaran, M. H. Pick, A. und Timmermann, A. (2011) Variable Auswahl, Schätzung und Schlussfolgerung für mehrperiodische Prognoseprobleme. Journal of Econometrics 164 (1): 173187. CrossRef Google Scholar Rossi, B. und Inoue, A. (2012) Out-of-sample Prognose-Tests robust, um die Wahl der Fenstergröße. Zeitschrift für Wirtschafts - und Wirtschaftsstatistik 30 (3): 432453. CrossRef Google Scholar Shin, S. und Soydemir, G. (2010) Exchange Traded Funds, Persistenz bei Tracking-Fehlern und Informationsverbreitung. Journal of Multinationale Finanzverwaltung 20 (45): 214234. CrossRef Google Scholar Siegel, J. (2002) Aktien für die Long Run, New York: McGraw-Hill Unternehmen. Google Scholar Sortino, F. A. und Price, L. N. (1994) Leistungsmessung in einem Downside-Risk-Framework. Journal of Investing 3 (3): 5965. CrossRef Google Scholar Sullivan, R. Timmermann, A. und White, H. (1999) Data-Snooping, technische Handelsregelleistung und der Bootstrap. Journal of Finance 54 (5): 16471691. CrossRef Google Scholar Welch, I. und Goyal, A. (2008) Ein umfassender Blick auf die empirische Leistung der Prämienvorhersage. Review von Finanzstudien 21 (4): 14551508. CrossRef Google Scholar White, H. (2000) Eine Realitätsprüfung für Daten-Snooping. Econometrica 68 (5): 10971126. CrossRef Google Scholar Copyright Informationen Palgrave Macmillan, eine Abteilung von Macmillan Publishers Ltd 2014 Autoren und Mitgliedsorganisationen Valeriy Zakamulin 1 E-Mail-Autor 1. School of Business und Recht, Universität von Agder Kristiansand Norwegen Über diesen ArtikelTime-Serie Momentum Im Vergleich zu Moving Average Trading Regeln Nhut H. Nguyen Nuttawat Visaltanachoti Massey University - Abteilung für Wirtschaft und Finanzen 22. Dezember 2014 Zeit-Serie Momentum (TSMOM) und gleitenden Durchschnitt (MA) Handelsregeln sind eng miteinander verbunden aber es gibt wichtige Unterschiede. TSMOM-Signale treten an Punkten auf, die mit einer MA-Richtungsänderung übereinstimmen, während MA-Kaufsignale (Verkaufssignale) nur einen Preis erfordern, um oberhalb (unterhalb) einer MA zu bewegen. Unsere empirischen Ergebnisse zeigen, dass MA-Regeln häufig frühere Signale liefern, die zu sinnvollen Rückkehrergebnissen führen. Beide Regeln führen am besten außerhalb der großen Aktienreihen, die das Rätsel ihrer Popularität mit Investoren noch fehlende unterstützende Beweise in akademischen Studien erklären können. Anzahl der Seiten im PDF-Format: 45 Stichwörter: G11, G12 JEL Klassifizierung: Technische Analyse, Zeitreihen-Momentum, gleitender Durchschnitt, Renditevorhersage Datum der Veröffentlichung: 27. Februar 2013 Letzte Änderung: 26. Februar 2015 Vorgeschlagenes Citation Marshall, Ben R. Und Nguyen, Nhut H. und Visaltanachoti, Nuttawat, Zeitreihen-Momentum versus Moving Average Trading Rules (22. Dezember 2014). Erhältlich bei SSRN: ssrnabstract2225551 oder dx. doi. org10.2139ssrn.2225551 Kontaktinformationen Ben R. Marshall (Kontaktperson) Massey University - School of Economics and Finance (E-Mail) Private Bag 11-222 Palmerston North, 30974 Neuseeland 64 6 350 5799 (Telefon) 64 6 350 5651 (Fax)