La stabilità di Moving tecniche Regole medio di scambi sul. Dow Jones Index Trascrizione 1 La stabilità di Moving tecniche Regole medio di scambi sul Dow Jones Index Blake LeBaron Brandeis University NBER agosto 1999 Revisione: Novembre 1999 Abstract Questo articolo analizza il comportamento di movimento regole medio di scambi tecnici applicati a più di 100 anni di Dow Jones Indice industriale. Si è constatato che le differenze tra i mezzi condizionali durante comprare e vendere periodi è cambiata radicalmente negli ultimi 10 anni relativi agli ultimi 90 anni di dati, ma le differenze di varianze condizionali non sono cambiate molto nel corso dell'intero campione. Ulteriori controlli di robustezza indicano che risultati simili possono essere ottenuti con strategie basate slancio semplice. L'analisi viene effettuata sulla serie attuale Dow, ma queste tecniche potrebbe essere utile nei mercati dei derivati, dove migliori stime di mezzi condizionali e le varianze sarebbero utili informazioni. Graduate School of International Economics and Finance, Brandeis University, 415 South Street, Mailstop 021, Waltham, MA. stanley. feldberg. brandeis. edu blebaron. L'autore è grato a due referee anonimi per i commenti. 2 1 Introduzione La capacità di semplici regole di prevedere i movimenti dei prezzi delle attività, o l'analisi tecnica, è stato un argomento controverso per molti anni. Mentre la comunità accademica ha generalmente tenuto analisti tecnici in disprezzo, la sua recente passione per la prevedibilità ha riaperto molti dei vecchi casi contro analisi tecnica. Piuttosto che semplicemente ignorando le regole utilizzate dai tecnici studiosi sono stati accuratamente loro scrutare. 1 Le prove sembra ancora alquanto inconcludenti sull'utilità di queste regole, ma questo è in contrasto con i risultati precedenti che suggerivano che chiunque segue questi era meno razionalmente motivata. La letteratura moderna ha spostato in avanti nel portare a sopportare i test più rigorosi e la metodologia econometrica. L'introduzione del bootstrap consente di testare varie ipotesi nulla complesso per cui approcci analitici sarebbe impossibile. Offre anche un possibile metodo per regolare le distorsioni indotte da snooping dei dati. Per l'econometrico, regole di negoziazione tecniche possono essere visti come semplicemente un altro insieme di condizioni del momento che può sia essere utilizzato in fase di test specifica, o nella stima. 2 Essi hanno quindi svolgono un duplice ruolo come un comportamento interessante che potrebbe avere un certo valore pratico, e come una descrizione di dati che i teorici economici dovrebbero essere a conoscenza. Questo documento riesamina i Industrials Dow Jones rispetto a semplici regole media mobile. Utilizzando il Dow Jones Industrials, Brock et al. (1992) ha mostrato che il passaggio norme medio di scambi tecnici ha avuto alcune abilità predittiva in entrambi i mezzi condizionali e varianze. Inoltre, hanno mostrato che questi risultati sono stati relativamente stabili nel loro periodo di campionamento 90 anni. Recentemente Sullivan, Timmerman amp Bianco (1999) ha dimostrato che, mentre sembra improbabile che queste regole sono state intercettati dal campione in precedenza, le loro prestazioni di previsione negli ultimi anni è scomparsa. Questo importante risultato solleva molte gravi interrogativi circa le regole di negoziazione, e la stazionarietà delle serie storiche finanziarie. Questo articolo esplora ulteriormente le prestazioni di tali regole e confronta i 10 anni precedenti al resto del secolo. Se analizzato alla luce di muoversi regole medio di scambi, alcune somiglianze molto interessanti e le differenze appaiono. Questo documento corrobora ed estende i risultati in Sullivan et al. (1999). Innanzitutto, l'analisi viene eseguita su varianze condizionali nonché mezzi condizionali. In secondo luogo, alcuni ulteriori controlli di robustezza vengono eseguiti, insieme ad alcuni confronti con altre regole. In particolare, una strategia dinamica basata slancio semplice sembra essere molto simile alle regole movimento medi. I test realizzati in questo documento sono interessati solo con il mercato cash. Tuttavia, vi è una diretta 1 I primi test criticando norme tecniche erano in Fama amp Blume (1966). Vedere Brock, Lakonishok amp LeBaron (1992) per una vasta sintesi della letteratura sul commercio tecnico. Per un esempio recente di alcune delle ultime prove, vedi Acar amp Satchell (1998). 2 Per un esempio di quest'ultimo vedere LeBaron (1992). 1 3 impatto di queste tecnologie nei vari mercati dei derivati. In primo luogo, significa che la prevedibilità può avere un impatto opzioni di prezzo, come a Lo amp Wang (1995). Inoltre, è evidente che un predittore utile di momenti secondi potrebbe fornire strategie di trading meglio dinamici mercati mangiare come in Engle amp Mustafa (1992), o come valore a strumento di stima del rischio. La prima sezione descrive la lunga serie di dati giornalieri Dow secolo. La seconda sezione esamina varie misure di mezzi condizionali durante il pre e post 1986 periodi. La terza sezione esegue test simili su varianze condizionali. La quarta sezione fornisce alcuni controlli robustezza sulle regole commerciali tecnici, e dimostra che è possibile che regole anche semplici potrebbero generare risultati simili. La sezione finale si conclude e torna alle domande sui dati di snooping, ei dati stazionarietà alla luce di queste nuove prove. 2 I dati I dati utilizzati saranno il quotidiano Dow Jones Industrials da gennaio 1897 a febbraio, Questa serie comprende la serie utilizzata in Brock et al. (1992) (d'ora in poi BLL) come un sottoinsieme, ma aggiunge altri 10 anni dopo la loro punto di sosta in questo extra di 10 anni di dati viene avviato nel 1988 al fine di evitare la corsa su e crollo del 1987 che avrebbe un impatto drammatico su un tale breve campione. La serie completa comprende un totale di giorni. La serie utilizzato non includono i dividendi, per cui alcune occorre prestare attenzione nell'utilizzo di queste serie nella valutazione delle prestazioni a lungo raggio. Da questo documento si concentra sul comportamento dei mezzi condizionali e scostamenti solo, l'aggiunta del processo dividendo complessivo probabilmente non influenzare i risultati molto. La tabella 1 mostra alcune statistiche riassuntive per i rendimenti giornalieri per alcuni dei sotto-campioni che saranno considerati. I rendimenti sono calcolati come differenze di registro, r t log (p t) log (p t 1), (1) per tutti i casi considerati in questo documento. La tabella mostra molto poco di nuovo le informazioni per chi ha familiarità con la serie frequenza relativamente elevata dei prezzi delle attività. Vi è una grande quantità di eccesso curtosi in tutti i sottocampioni, che è una caratteristica comune. Una caratteristica interessante che è un po 'insolito è la grande rendimenti giornalieri che si sono verificati negli ultimi dieci anni. Mentre è ben noto che il Dow è stato in costante aumento, è sorprendente che il ritorno quotidiana è quasi 3 volte la media del secolo. 2 4 3 condizionali Mezzi Tabella 1: Statistiche di riepilogo (Feb) (febbraio) Media () Var Asimmetria Kurtosis Questo documento utilizza comunemente applicato in movimento regole medio di scambi tecnici per la maggior parte dei test. Questi confrontare il prezzo con una media mobile dei prezzi passati, m t 1 N N 1 I0 P t i. (2) Ci sono molte possibili combinazioni di medie che vengono utilizzati nella pratica in movimento, ma questo articolo si concentrerà su una semplice implementazione. Una giornata è considerato di avere un segnale di acquisto quando P t t m, e un segnale di vendita quando P t LTM t. 3 La regola viene poi applicato al ritorno da tt 1. mezzi condizionali e varianze sarà stimato in questo periodo, e classificato come acquistare o vendere a seconda del segnale tempo t. Una delle regole dello spettacolo più consistenti è storicamente uno che usa N 150 giorni. verrà utilizzata questa regola da solo. documenti precedenti, Brock et al. (1992) e LeBaron (1998) hanno già dimostrato che funziona bene per molti periodi di tempo diversi. Inoltre, LeBaron (1998) mostra che una vasta gamma di regole da N 50Ton 200 generare risultati simili. La tabella 2 presenta le stime del rendimento medio condizionale durante buy e vendere i periodi indicati da 150 giorni in movimento regola media. La prima colonna, etichettato Compra e Vendi, riporta la differenza tra la media condizionale acquisto e in vendita periodi. La seconda colonna, l'etichetta Buy-All, riporta la differenza tra il periodo Compro rendimenti e il rendimento medio incondizionata sul campione adeguato. Sell-Tutti i rapporti una stima simile per i periodi di vendita. I numeri fra parentesi sono una semplice t-statistica che sotto l'ipotesi nulla che le medie sono uguali verrebbe distribuito N (0, 1). 4 I numeri tra parentesi sono simulate valori p dal 1000 simulazioni bootstrap di un random walk. Questo metodo genera nuova ritorno 3 Questo corrisponde ad una delle serie di regole utilizzate in Brock et al. (1992). 4 Le t-statistiche sono formate come micro b micro s z sigma 2 b N b sigma 2Ns. numeri simili sono utilizzati per il Buy-All, Sell-Tutti i casi. Ci sono diversi problemi con usando una semplice t-test qui. I rendimenti sottostanti non sono distribuiti normalmente, in modo che siano solo asintoticamente validi. In secondo luogo, il Buy-All, Sell-Tutte le misure si basano su campioni con un grande insieme di valori comuni. Questi sono tutt'altro che pareggi indipendente. Il bootstrap regola per entrambi questi problemi. 3 5 serie disegnata in modo casuale con la sostituzione della serie rendimenti effettivi. Da queste serie temporali simulate è prodotta una nuova serie di prezzi random walk geometrica. Questo permette di testare una ipotesi nulla dove ritorna seguono la stessa distribuzione incondizionato rendimenti effettivi, ma ogni dipendenza della serie è distrutta. 5 I valori p riportano la frazione di simulazioni bootstrap che danno valori grande come quello del campione originale. Per l'intero campione, e il sottocampione in precedenza, i risultati confermano quelli di BLL. I mezzi periodo di buy sono più grandi, ed i mezzi d'epoca vendita sono più piccoli. Questo accordo per tutte e tre le misure che utilizzano entrambe le t-statistiche e le p-value bootstrap. Nel campione dopo, i risultati cambiano notevolmente. Non solo è il buy di ritorno non è più significativamente più grande del ritorno vendita, in realtà è inferiore sia al ritorno la vendita, e la media incondizionata. Le t-statistiche, ed i valori p bootstrap opportunamente ci avvertono che questi sono probabilmente insignificante. Tuttavia, resta il fatto che non vi è più una differenza importante nei mezzi condizionali attraverso periodi. Una distinzione definitiva tra i campioni è dato nella colonna denominata, Compro Fraction. Questo riporta la frazione di giorni che sono etichettati come un periodo di buy dalla regola. La drammatica corsa fino nel mercato azionario nel periodo successivo è rappresentato qui da un forte aumento nei periodi acquisto. Si muove da 62 per l'intero campione, ad un drammatico 81 nell'ultimo sottocampione. Questo insieme con il forte aumento rendimento medio dà un'indicazione che qualcosa di insolito va avanti negli ultimi 10 anni. Tabella 2: condizionale Mezzi Serie Buy-Sell () Buy-All () Sell-All () Comprare Frazione (febbraio) (4,60) (2,22) (-3,10) 0,00 0,00 1,00 (4,73) (2,36) (-3.09) 0.00 0.00 1.00 (febbraio) (-1,12) (-0.37) (0,922) 0,84 0,80 0,15 condizionali rendimenti medi durante buy e vendere periodi utilizzando il movimento regola media 150 giorni. Buy-Sell è la differenza tra acquistare e vendere mezzi d'epoca. Buy-All e vendere-Tutti sono le differenze tra il periodo di acquisto e la media incondizionata, e il periodo di vendita e la media incondizionata. I numeri tra parentesi sono t-statistiche sui mezzi, e numeri tra parentesi rappresentano la frazione di 1000 simulazioni Random Walk bootstrap generare una media condizionale equivalente grande come il campione. Per avere un quadro più dettagliato delle dinamiche di come i mezzi condizionati sono cambiando la figura 1 mostra una finestra di rotolamento del semplice t-test eseguito nella tabella 2. Una finestra 5 dell'esercizio è spostato attraverso l'intero 5 See Brock et al. (1992) e LeBaron (1998) per applicazioni finanziarie. Un bel riassunto per la finanza è contenuta in Maddala amp Li (1996). La metodologia bootstrap è dovuto Efron (1979), e un riferimento utile è Efron amp Tibshirani (1993). 4 6 del campione, e il Buy-Sell t-test viene registrato su ogni finestra. La finestra si sposta in incrementi di mezzo anno, quindi c'è una grande sovrapposizione tra le finestre. La figura è importante nel presentare diverse caratteristiche dei dati. Innanzitutto, è chiaro che qualcosa di insolito sembra accadere negli ultimi periodi di tempo. Non solo la differenza media negativo, ma sta registrando valori che sono storicamente piccola proposta ultimi 100 anni di dati. È anche interessante notare la variabilità relativa nei risultati. I valori sembrano fare lunghe altalene nelle regioni positivi e negativi. 4 condizionale variazioni Risultati in BLL spostati al di là di mezzi condizionali e testati varianze condizionali pure. Questi richiedono l'uso di bootstrap per determinare la significatività statistica. 6 Tabella 3 riporta i rapporti delle varianze stimate durante i periodi di comprare e vendere, e relativo a tutti i periodi. La prima riga mostra che il rapporto delle varianze tra acquistare e vendere periodi è solo 0,43, indicando che il buy varianza è meno della metà della varianza nei periodi di vendita. I due valori sottostanti tra parentesi sono i valori di p bootstrap per due diversi modelli nulli. Innanzitutto, la passeggiata casuale viene ripetuta come fatto nella sezione precedente. In secondo luogo, dal momento che le varianze condizionali sono ora una parte fondamentale di ciò che sta accadendo, a (1,1) semplice modello GARCH è montato la serie ritorna. residui normalizzati da questo sono codificati e utilizzati per costruire GARCH rappresentante (1,1) dei dati. 7 I valori di 1 indicano che nessuno dei modelli simulati può generare un rapporto di varianza ampia come quella nei dati. Questo vale per tutti e tre i rapporti di varianza. Per il rapporto SellAll, ricordate che dal momento che questo è insolitamente grande il p-value simulato è ora pari a zero, che indica che tutti i valori simulati erano meno. Guardando attraverso le sotto-campioni si osserva un andamento simile. Più interessante, è che in netto contrasto con la tabella 2 le differenze di varianza non cambiano di entrare nel più recente periodo di 10 anni. Il rapporto tra l'acquisto di vendere le varianze è 0,51 nell'ultimo periodo di 10 anni, che è molto vicino a quello per l'intero campione. Le simulazioni nuovamente indicano che le differenze sono significative. Per varianze condizionali della configurazione degli scostamenti inferiori nei periodi acquisto è rimasto relativamente costante per l'intero campione, a differenza del modello per mezzo condizionali. Tabella 4 ripete i risultati della tabella precedente per deviazioni assolute. La varianza è ora sostituito con la deviazione assoluta atteso, E R t E (r t). Questo è stimato utilizzando i momenti campione adeguato 6 E 'possibile che i test per le varianze condizionali avrebbero potuto essere sviluppate utilizzando F-test come oggetti, ma la nonnormality della serie rendimenti giornalieri rende questo impossibile. 7 modelli GARCH sviluppati da Bollerslev (1986), e relativi ai modelli ARCH di Engle (1982) sono comunemente usati in finanza per modellare movimenti varianze condizionali. Bollerslev, Engle amp Nelson (1995) e Bollerslev, Chou, Jayaraman amp Kroner (1990) sono le indagini utili di questa vasta letteratura. 5 7 Tabella 3: Rapporti condizionale Variance Serie BuySell BuyAll SellAll (febbraio) GARCH bootstrap 1.00 1.00 0.00 GARCH bootstrap 1.00 1.00 0.00 (febbraio) RW bootstrap 1,00 1,00 0,001 GARCH bootstrap 1.00 0,999 0.00 BuySell mostra la proporzione delle varianze condizionali durante acquisto e vendita periodi. BuyAll, e SellAll sono i rapporti con le varianze non condizionate. I numeri tra parentesi sono,, random walk, e (1,1) bootstrap p-value come etichetta GARCH, dando la frazione di 1000 simulazioni che generano un valore grande come quella nei dati. durante periodi di acquistare e vendere. Questo è un importante controllo robustezza dei risultati precedenti. Essi possono essere stati guidati da poche grandi valori anomali che causano alcune delle stime di varianza a diventare molto grande. deviazioni assolute sono meno sensibili a valori anomali. La tabella ripete tutti i risultati per le varianze condizionali esattamente, il che indica che i valori anomali in nessuno dei sotto-campioni non sono stati probabilmente la causa. Tabella 4: condizionale medi Rapporti deviazione assoluta Serie BuySell BuyMean SellMean GARCH bootstrap 1.00 1.00 0.00 1.00 1.00 GARCH bootstrap 0.00 febbraio RW bootstrap 1,00 1,00 0,001 GARCH bootstrap 1.00 0,999 0.00 BuySell mostra la proporzione delle deviazioni assolute condizionali durante i periodi di acquisto e vendita. BuyAll, e SellAll sono i rapporti con le deviazioni assolute incondizionati. I numeri tra parentesi sono,, random walk, e (1,1) bootstrap p-value come etichetta GARCH, dando la frazione di 1000 simulazioni che generano un valore grande come quella nei dati. I cambiamenti nella varianza condizionale qui riportati sono legati al ben noto effetto leva originariamente documentato in Black (1976). 8 Tabella 5 fornisce un rapido controllo sul fatto che la previsione basata regola trading è solo raccogliendo informazioni provenienti da aumento o una diminuzione del giorno precedente s. La tabella riporta le varianze condizionali per t 1, sia per tutti i periodi comprare e vendere, e ulteriori condizioni tali sul segno del giorno precedente s ritorno. La tabella mostra che il condizionamento del giorno precedente s ritorno non elimina la differenza 8 Vedi anche (Nelson 1991), e (Bollerslev et al. 1995) per ulteriori tecniche di informazione e di modellazione. 6 8 della volatilità tra il comprare e vendere periodi sia nel campione totale, o il sottoperiodo recente. Sembra che vi è ancora un certo impatto da r t per entrambi sottoinsieme, ma è relativamente piccola. Anche se nessun test statistici sono forniti qui, questo tavolo è indicativo che la media mobile è fornire più informazioni rispetto a quella proveniente dal giorno precedente solo in termini di previsioni di varianza. Tabella 5: condizionale varianze Serie r t Buy varianza () Vendere Varianza () Tutti i r t r t lt (febbraio) Tutti r t r t lt varianze per r T1 condizionata sul segnale tecnico (colonna), e il segno di giorni precedente ritorno (riga). Sia questa sezione e la precedente implicano che la prevedibilità dei rendimenti può essere usato in una strategia di negoziazione dinamica. Tabella 6 fornisce informazioni sui rapporti di Sharpe incondizionati di seguire diverse strategie dinamiche semplici nel corso dei diversi periodi di tempo. I numeri presentati sono rapporti di Sharpe annuo (Sharpe 1994). Buy and hold segue una strategia di buy and hold. BuySell prende una posizione lunga o corta a seconda se viene dato un segnale di acquisto o di vendita. 9 Buy corrisponde ad una strategia di acquisto durante i periodi di comprare, e in possesso di un titolo privo di rischio guadagnare un rendimento del 3 per cento durante i periodi di vendita. L'indice di Sharpe è stimato utilizzando lo zero varianza durante i periodi di vendita. La colonna denominata buy utilizza la varianza giornaliera incondizionato come la stima della varianza nel periodo di acquisto, e la colonna etichettata varianza buybuy utilizza la varianza condizionata durante i periodi di acquisto. Quest'ultima misura dovrebbe essere il vero indice di Sharpe per questa strategia, ma l'altra misura è utile per il confronto. La tabella mostra che per l'intero campione la strategia non Outperform buy and hold, e sarebbe meglio essere attuata attivando solo durante i periodi di acquisto. Infine, la riduzione della varianza condizionata durante periodi acquista ha un impatto sul rapporto Sharpe. La seconda riga mostra che nessuno di questi risultati premuto durante gli ultimi 10 anni. I rapporti di Sharpe sono in realtà in una gamma che potrebbe essere interessante, ma sono tutti negativi come indicato comprare i risultati precedenti sui mezzi condizionali. Tabella 6: Rapporti Sharpe Serie Buy and Hold Buy BuySell buybuy varianza (febbraio) Questo viene fatto in primo luogo per il confronto. È improbabile che questa strategia sarebbe stato possibile su gran parte del periodo di tempo dal momento che sarebbe stato difficile a breve il Dow. 7 9 5 Momentum Strategie È chiaro che la strategia media mobile non cerca niente di più complicato di una semplice persistenza nella serie rendimenti. Questo potrebbe essere una persistenza che è difficile da vedere con autocorrelazioni tradizionali. 10 Un approccio leggermente più semplice per la creazione di segnali di trading è quello di esaminare i rendimenti negli ultimi 150 giorni invece di usare il confronto di prezzo media mobile. 11 Tabella 7 mostra i risultati di una strategia di moto 150 giorni insieme con la strategia di media mobile. Questa strategia registra un acquisto al tempo t, se P t P t 150, e una vendita in caso contrario. Per l'intero campione le due strategie sono sorprendentemente vicini l'uno all'altro. Nel corso del sottoperiodo più recente, la strategia di moto inverte segni come fa la media mobile, ma in realtà è molto negativo per la differenza di compravendita. Tabella 7: Mezzi condizionali: Momentum confronto Serie Metodo Buy-Sell () Buy-All () Sell-All () (febbraio) media mobile (4,60) (2,22) (-3,10) Momentum (4,21) (2,04) (-2,86 ) (febbraio) media mobile (-1,12) (-0.37) (0,922) Momentum (-2.55) (-0.73) (2.18) ritorna media condizionale durante comprare e vendere periodi utilizzando i 150 giorni mobile regole media e quantità di moto. Buy-Sell è la differenza tra acquistare e vendere mezzi d'epoca. Buy-All e vendere-Tutti sono le differenze tra il periodo di acquisto e la media incondizionata, e il periodo di vendita e la media incondizionata. I numeri tra parentesi sono t-statistiche sui mezzi. Tabella 8 ripete i risultati per varianze condizionali utilizzando le informazioni di moto condizionata. Questa tabella mostra che c'è poco cambiamento che va dal movimento strategia media alla strategia di slancio. Ad esempio, il rapporto buysell va da 0,43 della media mobile a 0,44 per la misura dinamica sull'intera campione. Caratteristiche simili sono date per le altre misure, ed entrambi i sottoperiodi sembrano essere molto simili. Questi risultati suggeriscono che queste due regole tecniche possono essere molto simili, in pratica, e non c'è niente di particolarmente speciale o importante per il movimento rappresentazione media Questo è legato ai test più sensibili per il comportamento random walk sviluppato in (Lo amp MacKinlay 1988). Inoltre, i processi con queste proprietà sono state modellate da (Taylor 1992) e (LeBaron 1992). 11 Acar (1993) mostra come mappa regole tecniche provenienti dallo spazio prezzo in spazio rendimenti. La regola di media mobile può essere formulato come una somma ponderata dei rendimenti del passato, ma la strategia di moto è una semplice somma dei rendimenti passati. Si tratta di un esperimento interessante vedere se questa regola prende qualcosa di diverso dalle movimento regole media. Inoltre, vedere Chan, Jegadeesh amp Lakonishok (1996) e Jegadeesh amp Titman (1993) per gli esempi di sezioni trasversali di ritorno. 12 Questi risultati sono coerenti con i risultati in Acar amp Lequeux (1996), che trovano che anche per una passeggiata aleatoria la correlazione tra una strategia di medio e quantità di moto in movimento è di 10 Tabella 8: varianza condizionale: Momentum confronto Serie Metodo BuySell BuyMean () sell medio () (febbraio) Moving GARCH media bootstrap 1.00 1.00 0.00 (febbraio) Momentum GARCH bootstrap 1.000 1,00 0.000 (febbraio) Moving GARCH media bootstrap 1.00 1.00 0.00 (febbraio) Momentum GARCH bootstrap 1.00 0.99 0.00 BuySell mostra la proporzione tra le varianze condizionali durante comprare e vendere periodi utilizzando la strategia di moto 150 giorni. BuyAll, e SellAll sono i rapporti con le varianze non condizionate. I numeri tra parentesi sono,, random walk, e (1,1) bootstrap p-value come etichetta GARCH, dando la frazione di 1000 simulazioni che generano un valore grande come quella nei dati. 6 Conclusioni Questo documento è una breve successore del Brock et al. (1992) l'esame di quanto è successo ad alcune delle strategie che hanno usato negli anni successivi. Altri ricercatori hanno già dimostrato drammatici cambiamenti nei mezzi condizionali, e quelli sono ripetute qui. Questo documento esegue ulteriori diagnostica controllando il rapporto di varianza. In contrasto con i mezzi che sembrano essere abbastanza costante nel tempo, e robusto per utilizzare misure volatilità valore assoluto. Infine, è dimostrato che molti risultati simili possono essere ottenuti utilizzando un tipo semplice slancio strategia commerciale. Sul lato pratico di utilizzare regole di negoziazione, questo documento dimostra che il loro utilizzo per prevedere mezzi condizionale può essere molto pericoloso nel mercato attuale. Questo pericolo è al di sopra e al di là dei soliti problemi di costi di transazione, e le questioni relative alla realtà attuazione di una strategia. Tuttavia, resta da vedere se la strategia di s capacità di predizione di volatilità potrebbe offrire un vantaggio in entrambe le opzioni di trading, o la gestione del rischio. Questo documento suggerisce che tale studio potrebbe essere molto interessante, dato che condizionale varianza prevedibilità è robusto attraverso periodi di tempo. La figura 1 fa un punto visivo drammatico sulla stabilità delle regole di negoziazione tecniche. Si apre questioni filosofiche profonde circa snooping dei dati, e di stazionarietà. qualcosa circa la dinamica dei prezzi delle azioni è cambiato nel corso degli ultimi 10 anni, o era la tendenza originale seguente strategia minato dalle precedenti 90 anni di risultati di dati in (Sullivan et al., 1999) suggeriscono che si trattava di una modifica dei dati, poiché la loro prova tentativi per regolare data mining nell'esempio precedente. Tuttavia, nessun test per il data mining è perfetto, 9 11 in quanto dipende simulando il processo di snooping che potrebbero essere stati verificando. Non ci sono prove formali possono essere eseguite per rispondere a questa domanda, ma figura 1 insieme ad alcuni fatti storici riguardanti il commercio tecnico che sono stati dati in BLL appaiono per difendere le conclusioni di Sullivan et al. (1999). BLL stati attenti a utilizzare le regole che esisteva nella comunità commerciale tecnica per un certo tempo, e non ha cercato di eseguire qualsiasi messa a punto in più dei parametri sopra i loro campioni. Alcune di queste regole sono state in uso fin prima parte del secolo. Dato che non erano sintonizzati campione precedente 90 anni, i risultati negli ultimi 10 anni sono ancora più interessanti. Questa caratteristica arbitraria dei dati è cambiata radicalmente, e in questo contesto sembra impossibile che negli ultimi 10 anni potrebbe essere un pareggio da qualsiasi periodo di 10 anni in 90 anni di storia. 13 Mentre è impossibile mai evitare completamente i problemi di dati snooping i risultati qui suggeriscono che qualcosa è cambiato drammaticamente. Un risultato finale di questo breve studio suggerisce che le regole che sono state utilizzate in Brock et al. (1992) avrebbe potuto essere sostituiti con quelli più semplici. strategie basate momentum semplice mostrano prestazioni simili con entrambe le misure di prevedibilità. La semplicità e la parsimonia è tanto una virtù delle regole commerciali tecnici come lo è per gli altri metodi di serie storiche più tradizionali, quindi è importante vedere che una regola semplice avrebbe potuto fare altrettanto bene. Molte norme tecniche usano molte più combinazioni complesse di movimento modelli medi, e sarebbe interessante scoprire qual è il valore aggiunto di questi è. Tuttavia, nel mondo non stazionari suggerita da questi risultati, la robustezza può essere molto maggiore virtù di quanto precedentemente pensato. 14 I risultati riportati in Brock et al. (1992) hanno chiaramente cambiato negli ultimi anni. Tuttavia, i loro risultati sulla previsione varianza condizionale rimangono stabili. Le cause del primo cambiamento rimangono una questione aperta interessante. Possono avere a che fare con la tecnologia, una migliore informazione dei prezzi, e minori costi di transazione, o forse una maggiore attenzione viene ora data alle regole commerciali tecnici. In tutti i casi le variazioni di redditività di queste strategie dinamiche fornisce un pezzo importante di informazioni su come funzionano i mercati. Se i commercianti hanno infatti scambiato i profitti di distanza, quindi un interessante studio potrebbe essere quella di guardare il lato volatilità del quadro in una luce simile. Esiste una strategia dinamica che avrebbe spinto le varianze condizionali verso vicenda Questa è una domanda molto più complicato che per i mezzi, ma sarebbe una domanda molto interessante per rispondere. 13 Ricordate, che i dati snooping contatore a questo sarebbe che le regole sono state sintonizzati sopra i 90 anni di storia precedente di massimizzare la differenza di compravendita condizionale. In questo caso non è così sorprendente che gli ultimi 10 anni aspetto diverso. 14 See (Bookstaber 1999) per esempi di regole di robustezza e di decisione naturalmente in finanza. 10 12 Riferimenti Acar, E. (1993), la valutazione economica di previsioni finanziarie, tesi di dottorato, City University Business School, London, UK. Acar, E. amp Lequeux, P. (1996), strategie dinamici, uno studio di correlazione, in C. Dunis, ed. Previsione mercati finanziari, Wiley, pp Acar, E. amp Satchell, S. (1998), regole di negoziazione avanzata, Butterworth-Heinemann, Oxford, UK. Nero, F. (1976), Studi di prezzo delle azioni variazioni di volatilità, Proceedings of the American Association di statistica, economia e commercio Sezione statistica Bollerslev, T. (1986), generalizzato autoregressiva eteroschedasticità condizionale, Journal of Econometrics 21, Bollerslev, T. Chou , RY Jayaraman, N. amp Kroner, KF (1990), la modellazione ARCH nella finanza: una revisione della teoria e l'evidenza empirica, Journal of Econometrics 52 (1), Bollerslev, T. Engle, RF amplificatore Nelson, DB (1995) , modelli ARCH, nel Manuale di Econometria, vol. 4, North-Holland, New York, NY. Bookstaber, R. (1999), La gestione del rischio nelle organizzazioni complesse, analisti finanziari Journal 55 (2), Brock, WA Lakonishok, J. amp LeBaron, B. (1992), regole di negoziazione tecnica semplice e le proprietà stocastiche di rendimenti azionari, Journal of Finance 47, Chan, LKC Jegadeesh, N. amp Lakonishok, J. (1996), le strategie di Momentum, Journal of Finance 51, Efron, B. (1979), i metodi Bootstrap: Un altro sguardo al coltello a serramanico, The Annals of Statistics 7, Efron, B. amp Tibshirani, R. (1993), Introduzione alla Bootstrap, Chapman and Hall, New York. Engle, RF (1982), modello autoregressivo a eteroschedasticità condizionata con le stime della varianza di inflazione del Regno Unito, modelli ARCH Econometrica 50, Engle, RF amplificatore Mustafa, C. (1992), implicita dai prezzi delle opzioni, Journal of Econometrics 52, 13 Fama, EF amp Blume, M. (1966), le regole di filtro e gli utili di negoziazione di borsa, Journal of business 39, Jegadeesh, N. amp Titman, S. (1993), ritorna a comprare vincitori e vinti vendita: implicazioni per l'efficienza del mercato azionario, Journal of Finance 48, LeBaron, B. (1992), fare media mobile risultati della regola di trading implicano non linearità nei mercati dei cambi. Relazione tecnica, University of Wisconsin - Madison, Madison, Wisconsin. LeBaron, B. (1998), regole commerciali tecnici e cambiamenti di regime in valuta estera, in E. Acar amp S. Satchell, EDS, regole di trading avanzato, Butterworth-Heinemann, pp Lo, AW amp MacKinlay, CA (1988), Stock i prezzi non seguono passeggiate aleatorie: prove da un semplice test specifica, Review of Financial Studies 1, Lo, AW amp Wang, J. (1995), Implementazione modelli di pricing delle opzioni quando rendimenti delle attività sono prevedibili, Journal of Finance 50, Maddala, GS test amp Li, H. (1996), a base di Bootstrap nei modelli finanziari, in GS Maddala amp CR Rao, EDS, Manuale di Statistica, vol. 14, North-Holland, Amsterdam, pp Nelson, DB (1991), eteroschedasticità condizionale in rendimenti delle attività: Un nuovo approccio, Econometrica 59, Sharpe, WA (1994), L'indice di Sharpe, Journal of Portfolio Management pp Sullivan, R. Timmerman , A. amp Bianco, H. (1999), Data-snooping, tecnico prestazioni regola il commercio e il bootstrap, Journal of Finance 54, Taylor, SJ (1992), i premi a disposizione di valuta a termine speculatori: compensazione per il rischio o evidenza di inefficiente prezzi. Record economica 68, 14 Test T: Compravendita Anno Figura 1: rotolamento T-test: Buy-Sell differenza, cinque anni finestra rotolamento 13La stabilità del movimento regole medio di scambi tecnici sul da Blake Lebaron Questo saggio analizza il comportamento di movimento di trading tecnico medio rules applied to over 100 years of the Dow Jones Industrial Index. It is found that the differences between conditional means during buy and sell periods has changed dramatically over the previous 10 years relative to the previous 90 years of data, but differences in conditional variances have not changed much over the entire sample. Further robustness checks indicate that similar results could be obtained with simple momentum based strategies. The analysis is performed on the actual Dow series, but these techniques could be useful in derivative markets where better estimates of conditional means and variances would be useful information. OAI identifier: oai:CiteSeerX. psu:10.1.1.419.6910Golden Crosses: The Bible I asked my friend Pete from Trade With Pete to do a guest post for me on Golden Crosses. Pete does a lot of technical work at his blog dealing with the topic and there is a tremendous amount of controversy surrounding whether or not they8217re important to pay attention to. Check this bad boy out8230 8211 JB History of the 50- and 200-day moving average crossover Traders and financial commentators frequently refer to the golden cross and death cross patterns seen on price charts. For example: The golden cross and the death cross The cross refers to two simple moving averages crossing over each other. A golden cross is considered a bullish sign it occurs when the 50-day moving average rises above 200-day moving average. A death cross is considered a bearish sign it occurs when the 50-day moving average drops below 200-day moving average. An early mention of moving average crossovers is found in the 1935 book, Profits in the Stock Market . by H. M. Gartley: 8220One of the most useful technical phenomena in the determination of major reversals is the major trend moving average. For this purpose, the author prefers to use a 200-day moving aveage, although equally satisfactory results can also be obtained with the use of a 20-30 week moving average applied to weekly charts, or a 4-6 month moving average applied to monthly charts.8221 Since then, technicians have popularized the use of various moving averages. During the 1970s, Stan Weinsteins Secrets for Profiting in Bull and Bear Markets was a big seller. He wrote, 8220All that a moving average really does is smooth out the major trend so the wild day-to-day gyrations which the new buying and selling programs have made even wilderdo not throw off your market perspective. Over the years, Ive found that a 30-week moving average (MA) is the best one for long-term investors, while the 10-week MA is best for traders to use. Stage analysis used the price relative to the moving average to identify four stages of a price cycle.8221 John Murphy, the famous CNBC analyst from the 1990s, wrote in The Visual Investor , 8220Two moving averages are commonly used to analyze market trends. How the two averages related to each other tells a lot about the stength or weakness of a trend. Two commonly employed numbers among stock investors are the 50-day (10-week) and the 200-day (40-week) combination. The trend is considered bullihs (upwards) as long as the shorter average is above the longer. Any crossing by the shorter average below the longer is considered negative. Some analysts use a 10-week and a 30-week average for the same purpose.8221 The use of moving averages became so common that they are mentioned in the McGraw-Hill Investors Desk Reference . Is the cross a reliable signal How effective are moving average crossovers as technical trading rules Three landmark academic papers tell the tale. In 1991 Simple Technical Trading Rules And The Stochastic Properties Of Stock Returns researchers Brock, Lakonishok and LeBaron tested two of the simplest and most popular trading rulesmoving average and trading range breakby utilizing the Dow Jones Index from 1897 to 1986 and found strong support for the technical strategies. In 1999 The Stability of Moving Average Technical Trading Rules on the Dow Jones Index LeBaron revisited the study with one more decade of data. The findings were disturbing enough for him to ask, Has something about the dynamics of stock prices changed over the past 10 years, or was the original trend following strategy mined out of the previous 90 years of data LeBaron further noted that Sullivan, Timmerman amp White (1999) Data-Snooping, Technical Trading Rule Performance, and the Bootstrap demonstrated that while it appears unlikely that these rules were snooped from the earlier sample, their forecasting performance over recent years has disappeared. We would like to offer two possible explanations of why the crosses appear to work less than they used to. It could be that proliferation of personal computers has made price charts and moving averages ubiquitous, and therefore, eroded the potential edge it once conferred. Moving averages are smoothing techniques designed for detrended data in time series analysis therefore, indicators based on the difference between the price and moving average may be more effective than a crossover. The Edwards, Magee and Bassetti edition of Technical Analysis of Stock Trends summed it up nicely, The 200-day moving average is widely believed to be the long-term trend indicator, and believing will sometimes make it come true. We at TradeWithPete use the golden and death crosses as filters to help narrow the field of ticker symbols for further sentiment and price action analysis.
No comments:
Post a Comment