O conceito de negociação de pares é direto - encontre 2 ações que tenham preços que se movem historicamente juntos e apostem na convergência quando o spread entre eles se alarga. Essa arbitragem relativa deve exibir expectativa de retorno positiva, pois geralmente existe uma alta probabilidade de convergência. A estratégia básica (como mencionado em Gatev, Goetzmann, Rouwenhorst, 2006) tornou-se popular, portanto, essas regras simples ainda são lucrativas, mas os lucros estão se deteriorando lentamente. Muitas novidades em estratégia surgiram nos últimos anos (podemos mencionar, por exemplo, Do, Faff, 2010).
Razão fundamental.
Como os preços no par de ações estavam estreitamente cointegrados no passado, há uma alta probabilidade de que esses dois valores compartilhem fontes comuns de correlações de retorno fundamentais. Um choque temporário poderia mover um estoque da faixa de preço comum, que apresenta oportunidade de arbitragem estatística. O universo de pares é continuamente atualizado, o que garante que os pares que não se movam mais em sincronia sejam removidos da negociação e apenas pares com alta probabilidade de convergência permanecem.
negociação de pares, equidade muito curta, arbitragem.
Estratégia de negociação simples.
As ações ilíquidas são removidas do universo de investimentos. O índice de retorno total acumulado é então criado para cada ação (dividendos incluídos) e o preço de partida durante o período de formação é fixado em US $ 1 (normalização de preços). Os pares são formados ao longo de um período de doze meses (período de formação) e são negociados no próximo período de seis meses (período de negociação). O parceiro de correspondência para cada estoque é encontrado procurando a segurança que minimiza a soma de desvios quadrados entre duas séries de preços normalizadas. Os 20 maiores pares com a menor medida de distância histórica são negociados e a posição de longo e curto está aberta quando os preços dos pares divergiram por dois desvios padrão e a posição é fechada quando os preços retornam.
Papel Fonte.
Gatev, Goetzmann, Rouwenhorst: Pairs Trading: Desempenho de uma Regra de Arbitragem de Valor Relativo.
Testamos uma estratégia de investimento de Wall Street, troca de pares, com dados diários em 1962-2002. Os estoques são combinados em pares com distância mínima entre os preços históricos normalizados. Uma regra de negociação simples produz rendimentos em excesso anualizados médios de até 11 por cento para as carteiras de pares selffinancing. Os lucros geralmente excedem as estimativas conservadoras de custos de transação. Os resultados da Bootstrap sugerem que o efeito dos pares difere dos lucros de reversão previamente documentados. A robustez dos retornos em excesso indica que os pares que comercializam lucros com o mis-pricing temporário de substitutos próximos. Nós relacionamos a rentabilidade com a presença de um fator comum nos retornos, diferente das medidas de risco convencionais.
Outros documentos.
Faff: A negociação de pares simples ainda funciona?
Reexaminamos e aprimoramos a evidência sobre "negociação de pares" mais prominente documentada nos mercados dos EUA pela Gatev, Goeztmann e Rouwenhorst (1999, 2006). Estendendo a análise original para junho de 2008, confirmamos a continuação da tendência decrescente de rentabilidade. No entanto, ao contrário da crença popular, achamos que o aumento da atividade de hedge funds não é uma explicação plausível para o declínio. Em vez disso, observamos que as propriedades de convergência subjacentes são menos confiáveis - há uma maior probabilidade de que um par de substitutos próximos nos últimos 12 meses não sejam mais substitutos próximos no semestre subsequente. Essa fragilidade na dinâmica da Lei de um preço reflete os maiores riscos fundamentais ou a incerteza na percepção do mercado dos valores relativos dos títulos emparelhados. No entanto, ainda encontramos mais da metade dos pares selecionados ou lucrativos ou muito lucrativos. Além disso, demonstramos algum sucesso na identificação desses casos bem sucedidos, aumentando o método original de correspondência de pares para incorporar o aspecto das séries temporais dos preços históricos e / ou focando em indústrias com alto nível de homogeneidade.
Este artigo analisa as implicações de preços de ativos da hipótese de mudança de atenção do investidor proposta no recente trabalho teórico. Nosso objetivo é avaliar diretamente como a dinâmica da desatenção dos investidores afeta a eficiência de preços relativa dos ativos vinculados. Criamos um novo proxy para a distração dos investidores nas séries temporais e exploramos seu impacto em uma configuração promissora e até agora amplamente negligenciada: negociação de pares de ações (Gatev (2006)), uma abordagem popular de arbitragem de valor relativo proprietário. Com base em quase 50 anos de dados diários para o mercado de ações dos EUA, bem como em evidências de oito grandes mercados internacionais de ações, fornecemos evidências amplas e robustas para efeitos de distração substanciais. Por exemplo, o retorno médio de um mês em pares de estoque EU long-short que se abrem em dias de distração alta é cerca de duas vezes maior que o retorno em pares que se abrem em dias de distração baixos. Uma série de testes conceitualmente bastante diversos ainda ajudam a idéia de que a atenção do investidor que varia no tempo é uma importante fonte de fricção nos mercados financeiros.
Mostramos que uma estratégia de negociação de pares de ações gera retornos anormais significativos e significativos. Em seguida, examinamos os fatores econômicos dessa estratégia. Primeiro, achamos que esse retorno não é conduzido puramente pela reversão de retornos de curto prazo. Em segundo lugar, nós decomponemos as correlações de retorno de estoque em pares para aqueles que podem ser explicados por fatores comuns (como tamanho, livro ao mercado e acumulações) e aqueles que não podem. Achamos que as correlações de pares explicáveis por fatores comuns geram a maioria dos retornos de negociação de pares. Em terceiro lugar, os lucros ponderados pelo valor da negociação de pares são mais elevados nas empresas em um ambiente de informação mais rico e nossa estratégia de negociação desempenha-se mal na recente crise de liquidez, sugerindo que os lucros comerciais dos pares não são impulsionados principalmente pelo atraso na difusão e liquidez da informação provisão. Finalmente, consistente com a teoria adaptativa da eficiência do mercado, o retorno a esta estratégia de negociação de pares simples diminuiu ao longo do tempo.
Este artigo examina uma estratégia de negociação de pares de equidade usando dados de preço de ações diários, semanais e mensais no período 1998-2007. Os autores mostram que, quando as ações são combinadas em pares com distância mínima entre preços históricos normalizados, uma simples regra de negociação baseada na volatilidade entre esses preços produz rendimentos brutos anualizados de até 15% para a frequência semanal de dados. Os resultados da Bootstrap sugerem que os retornos da estratégia são atribuíveis à habilidade em vez da sorte, enquanto os coeficientes beta insignificantes fornecem evidências de que esta é uma estratégia de mercado neutro. A resistência dos retornos da estratégia aos fatores de reversão sugerem que a negociação de pares é fundamentalmente diferente das estratégias de reversão previamente documentadas com base em conceitos como reversão média.
A regra de arbitragem de valor relativo ("negociação de pares") é uma estratégia de investimento especulativa bem estabelecida nos mercados financeiros, que remonta aos anos 80. Com base em taxas de equilíbrio relativas entre um par de ações, as estratégias de negociação de pares criam retornos em excesso se a propagação entre dois estoques normalmente comoventes estiver longe de seu caminho de equilíbrio e assumir-se como reversão média. Para superar o problema da detecção temporária em contraste com desvios de maior durabilidade do equilíbrio espalhado, este artigo supera a literatura sobre mudança de regime de Markov e o trabalho científico sobre arbitragem estatística.
As estratégias de arbitragem estatística, como a negociação de pares e suas generalizações, dependem da construção de spreads de reversão média com um certo grau de previsibilidade. Este artigo aplica testes de cointegração para identificar estoques a serem usados em estratégias de negociação de pares. Além de estimar o equilíbrio a longo prazo e modelar os resíduos resultantes, selecionamos pares de ações para compor um portfólio de negociação de pares com base em um indicador de rentabilidade avaliado na amostra. A rentabilidade da estratégia é avaliada com dados da Bolsa de Valores de São Paulo, que variam de janeiro de 2005 a outubro de 2012. A análise empírica mostra que a estratégia proposta exibe retornos excessivos de 16,38% ao ano, Razão Sharpe de 1,34 e baixa correlação com o mercado.
Neste artigo, fornecemos a primeira evidência abrangente do Reino Unido sobre a rentabilidade da estratégia de negociação de pares. A evidência sugere que a estratégia funciona bem nos períodos de crise, por isso controlamos o risco ea liquidez para avaliar o desempenho. Para avaliar o efeito das fricções de mercado na estratégia, utilizamos várias estimativas de custos de transação. Também apresentamos evidências sobre o desempenho da estratégia em diferentes estados econômicos e de mercado. Nossos resultados mostram que as carteiras de negociação de pares normalmente têm pouca exposição a fatores de risco de patrimônio conhecidos, como mercado, tamanho, valor, impulso e reversão. No entanto, um modelo de controle de risco e liquidez explica uma proporção muito maior de retornos. A incorporação de diferentes pressupostos sobre os spreads de oferta e oferta leva a reduções nas estimativas de desempenho. Quando permitimos exposições de risco variáveis no tempo, condicionadas ao retorno do mercado de ações contemporâneo, os retornos ajustados ao risco geralmente não são significativamente diferentes de zero.
Um estudo exploratório é realizado para avaliar a persistência da cointegração entre as ações dos EUA. Em outras palavras, se um par de ações for cointegrada em um período, é provável que seja encontrado cointegrado no período subseqüente? Um exame é realizado de pares formados a partir de constituintes do S & P 500 durante cada um dos anos civis 2002-2012, compreendendo mais de 860,000 pares no total. A evidência não suporta a hipótese de que a cointegração é uma propriedade persistente.
Realizamos uma análise empírica em larga escala da negociação de pares, uma abordagem popular de arbitragem de valor relativo. Começamos com um estudo transversal de 34 mercados de ações internacionais e descobrimos que os retornos anormais são um fenômeno persistente. Em seguida, construímos um conjunto abrangente de dados dos EUA para explorar as fontes por trás da lucrativa rentabilidade em maior profundidade. Nossas descobertas indicam que o tipo de notícias que levam à divergência do par, a dinâmica da atenção dos investidores e a dinâmica dos limites à arbitragem são fatores importantes do desempenho variável do tempo da estratégia.
Motivado pela prática da indústria de negociação de pares, estudamos as melhores estratégias de tempo para a negociação de um spread de preço de reversão média. Um ótimo problema de paragem dupla é formulado para analisar o tempo de início e posteriormente liquidar a posição sujeita a custos de transação. Modelando a propagação de preços por um processo de Ornstein-Uhlenbeck, aplicamos uma metodologia probabilística e derivamos rigorosamente os intervalos de preços ótimos para a entrada e saída do mercado. Como uma extensão, incorporamos uma restrição stop-loss para limitar a perda máxima. Mostramos que a região de entrada é caracterizada por um intervalo de preços limitado que está exatamente acima do nível de stop-loss. Quanto ao tempo de saída, um maior nível de parada-perda sempre implica um nível de lucro-melhor ótimo. Ambos os resultados analíticos e numéricos são fornecidos para ilustrar a dependência das estratégias de temporização em parâmetros do modelo, como o custo da transação e o nível de stop-loss.
Pairs trading é uma estratégia de investimento especulativa bem reconhecida que é amplamente utilizada nos mercados financeiros, e o método de distância é a estratégia de negociação de pares mais comumente implementada por comerciantes e hedge funds. No entanto, esta abordagem, que pode ser vista como uma análise de correlação linear padrão, só é capaz de descrever completamente a estrutura de dependência entre os estoques sob o pressuposto de retornos normais multivariados. Para superar essa limitação, propomos uma nova estratégia de negociação de pares usando a técnica de modelagem de copula. Copula permite uma estimativa separada das distribuições marginais de retornos de estoque, bem como a estrutura de dependência conjunta. Assim, a nova estratégia proposta, que se baseia na estrutura de dependência ótima estimada e nas distribuições marginais, pode identificar posições relativas ou subavaliadas relativas com maior precisão e confiança. Por isso, considera-se que gera mais oportunidades comerciais e lucros. Um exemplo simples de um par um ciclo é usado para ilustrar as vantagens do método proposto. Além disso, uma grande análise de amostra usando os dados da indústria de serviços públicos também é fornecida. Os resultados empíricos gerais verificaram que a estratégia proposta pode gerar maiores lucros em comparação com o método da distância convencional. Nós argumentamos que a estratégia de negociação proposta pode ser considerada como uma generalização da estratégia de negociação de pares convencionais.
Este artigo analisa a estratégia de Pairs Trading proposta por Gatev, Goetzmann e Rouwenhorts (2006). Ele investiga se a rentabilidade dos pares que se abrem após um dia de volume acima da média em um dos ativos são distintas nas características dos retornos e se a introdução de um limite nos dias em que o par está aberto pode melhorar os retornos da estratégia. Os resultados sugerem que, de fato, os pares de abertura após um choque de um único lado são menos lucrativos e que uma limitação no número de dias que um par está aberto pode melhorar significativamente a lucratividade em até 30 pontos base por mês.
Examinamos e comparamos o desempenho de três estratégias de negociação de pares diferentes - a cointegração à distância e os métodos de cópula - no mercado de ações dos EUA de 1962 a 2014 usando uma série de custos de negociação variando no tempo. Usando várias medidas de desempenho, concluímos que a estratégia de cointegração funciona bem como o método da distância. No entanto, o método da copula mostra um desempenho relativamente fraco. Particularmente, os métodos de distância, cointegração e cópula mostram um excesso médio mensal de 36, 33 e 5 pb após os custos de transação e 88, 83 e 43 pb antes dos custos de transação. Nos últimos anos, os métodos de distância e cointegração apresentaram menos oportunidades comerciais, enquanto essa freqüência permanece estável para o método da cópula. Embora o fator de liquidez esteja correlacionado negativamente com os retornos de todas as estratégias, não encontramos evidências de sua correlação com os retornos em excesso do mercado. Todas as estratégias mostram alfas positivos e significativos depois de contabilizar vários fatores de risco.
Analisamos a arbitragem estatística com negociação de pares, assumindo que a propagação de dois ativos segue um processo de retorno de média de Ornstein-Uhlenbeck em torno de um nível de equilíbrio de longo prazo. Dentro deste quadro, provamos a existência de arbitragem estatística e derivamos condições de otimização para a negociação do portfólio de spread. Na existência de incerteza na média a longo prazo e na volatilidade da propagação, a arbitragem estatística já não é garantida. No entanto, a probabilidade de perda assintótica pode ser limitada como uma função do erro padrão dos parâmetros do modelo. A estrutura proposta fornece uma nova técnica de filtragem para identificar melhores pares no mercado. Exemplos empíricos são fornecidos para três pares de ações da NYSE.
Assumimos que a deriva nos retornos dos preços dos ativos consiste em um componente idiossincrático e um componente comum dado por um fator de co-integração. Analisamos a estratégia de investimento ideal para um agente que maximiza a utilidade esperada de riqueza ao negociar dinamicamente esses ativos. A solução ideal é construída explicitamente em forma fechada e mostra-se afim no fator de co-integração. Nós calibramos o modelo para três ativos negociados na bolsa Nasdaq (Google, Facebook e Amazon) e empregamos simulações para mostrar o desempenho da estratégia.
Este artigo investiga como os dois drivers técnicos, a volatilidade e a correlação influenciam o algoritmo da negociação dos pares da estratégia de investimento. Nós modelamos e comprovamos empiricamente a conexão entre a seleção de pares baseada em regras, o algoritmo de negociação e o retorno total. Nossas idéias explicam por que a rentabilidade comercial dos pares varia de mercado, indústrias, circunstâncias macroeconômicas e características da empresa. Além disso, avaliamos criticamente o poder do procedimento de seleção de pares tradicionalmente aplicado. No mercado dos EUA, encontramos retornos mensais ajustados ao risco de até 76 pb para carteiras, que são trimestralmente classificados em volatilidade e correlação entre 1990 e 2014. Nossos achados são robustos para problemas de liquidez, spread de oferta e demanda e limites de arbitragem.
O retorno da estratégia de negociação dos pares depende dos movimentos de divergência / convergência de um par de preços de ações selecionados. No entanto, se o relacionamento estável de longo prazo das ações muda, o preço não converge e o comércio aberto após a divergência fechar com perdas. Nós propomos um novo modelo que, incluindo variáveis fundamentais das empresas que medem fatores idiossincráticos, antecipe as mudanças nesse relacionamento e rejeite os negócios desencadeados por uma divergência produzida por mudanças fundamentais em uma das empresas. O modelo é testado em estoques europeus e os resultados obtidos superam os do modelo de distância de base.
Examinamos um novo método para identificar substitutos econômicos próximos no contexto da arbitragem de valor relativo. Mostramos que substitutos econômicos próximos correspondem a um caso especial de cointegração em que os preços individuais têm aproximadamente a mesma exposição a um fator não-estacionário comum. Uma métrica de proximidade construída a partir da relação de cointegração prevê fortemente a probabilidade de convergência e a rentabilidade na negociação de pares baseados em cointegração. De 1962 a 2013, uma estratégia de negociação de pares de quase paridade cointegrada gera 58 bps por mês após os custos de negociação, experimenta uma probabilidade de convergência de 71% e supera uma estratégia de pares selecionados por distâncias de preços minimizadas.
Pairs trading é uma estratégia de negociação venerável. Existe um acordo de que funcionou bem no passado distante. Mas é menos claro se ainda é lucrativo hoje. Neste trabalho, o universo dos pares elegíveis é definido pelas participações de um determinado ETF. É demonstrado que as ações devem ser de ETFs que selecionam ações de alta qualidade e baixa volatilidade. A medida de proximidade usual apresentada na literatura é fraca. O artigo apresenta uma alternativa simples e claramente superior baseada em cruzamentos zero. A estratégia executa com o universo correto e a regra de seleção de pares melhorada antes da negociação custa bastante. Depende dos custos de negociação assumidos, se isso também for na vida comercial real.
Este artigo usa dados S & P100 para examinar o desempenho das carteiras de negociação de pares que são classificadas pelo nível de significância da cointegração entre seus constituintes. Descobrimos que as carteiras que são formadas com pares altamente cointegrados, denominados "supercointegrados", produzem o melhor desempenho, refletindo uma relação positiva entre o nível de cointegração e a rentabilidade comercial de pares. O portfólio supercointegrado também mostra um desempenho superior fora da amostra para os investimentos simples de compra e retenção no portfólio de mercado em termos do índice de Sharpe. Nós relacionamos o risco variável no tempo da estratégia de negociação de pares com a volatilidade agregada do mercado. Além disso, relatamos uma relação risco-retorno positiva entre a estratégia e a volatilidade do mercado, que é aprimorada durante o mercado ostentando. Nossos resultados permanecem válidos ao aplicar a estratégia aos dados do índice europeu.
Avaliando Estratégias de Negociação.
16 páginas postadas: 3 de agosto de 2014 Última revisão: 26 de agosto de 2014.
Campbell R. Harvey.
Duke University - Fuqua School of Business; National Bureau of Economic Research (NBER); Duke Innovation & Entrepreneurship Initiative.
Texas A & M University, Departamento de Finanças.
Data escrita: 25 de agosto de 2014.
Nós fornecemos algumas ferramentas novas para avaliar estratégias de negociação. Quando se sabe que muitas estratégias e combinações de estratégias foram testadas, precisamos ajustar nosso método de avaliação para esses testes múltiplos. Sharpe Ratios e outras estatísticas serão exagerados. Nossos métodos são simples de implementar e permitem a avaliação em tempo real das estratégias de negociação de candidatos.
Palavras-chave: taxa de Sharpe, testes múltiplos, Holm, BHY, Bonferroni, seleção de estratégia, Backtest, corte de cabelo, Ratio de corte de cabelo, mineração de dados, aprendizado de máquina, Higgs Boson, estratégias de negociação, testes fora de amostra, testes em teste, FDR , FWER, Capital IQ, PBO.
Classificação JEL: G12, G14, G30, G00, C12, C20, B41.
Campbell Harvey (Autor do Contato)
Duke University - Fuqua School of Business ()
Durham, NC 27708-0120.
National Bureau of Economic Research (NBER)
1050 Massachusetts Avenue.
Cambridge, MA 02138.
Duke Iniciativa de Inovação e Empreendedorismo ()
215 Morris St., Suite 300.
Durham, NC 27701.
Universidade Texas A & M, Departamento de Finanças ()
Wehner 401Q, MS 4353.
College Station, TX 77843-4218.
Estatísticas de papel.
Jornais relacionados.
EJournal de gerenciamento de riscos.
Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.
EJournal Behavioral & Experimental Finance.
Inscreva-se neste diário gratuito para artigos mais curados sobre este assunto.
Mercado de capitais: EJournal de eficiência de mercado.
Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.
Fundos Mútuos, Hedge Funds e Indústria de Investimento eJournal.
Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.
Econometria: Métodos econométricos e estatísticos - EJournal geral.
Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.
Econometria: edição econométrica, estimativa e seleção eJournal.
Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.
Links Rápidos.
Sobre.
Os cookies são usados por este site. Para recusar ou aprender mais, visite nossa página Cookies. Esta página foi processada por apollo2 em 0.171 segundos.
QuantStart.
Junte-se ao portal de membros privados da Quantcademy que atende à comunidade de comerciantes de varejo de varejo em rápido crescimento. Você encontrará um grupo bem informado de mentalistas quant pronto para responder suas perguntas comerciais mais importantes.
Confira meu ebook sobre o comércio de quant, onde eu ensino você como criar estratégias de negociação sistemáticas lucrativas com ferramentas Python, desde o início.
Dê uma olhada no meu novo ebook sobre estratégias de negociação avançadas usando análise de séries temporais, aprendizado de máquina e estatísticas bayesianas, com Python e R.
Por Michael Halls-Moore em 19 de abril de 2013.
Neste artigo, quero apresentar-lhe os métodos pelos quais eu próprio identifico estratégias de negociação algorítmicas rentáveis. Nosso objetivo hoje é entender em detalhes como encontrar, avaliar e selecionar esses sistemas. Vou explicar como as estratégias de identificação são tanto sobre preferências pessoais quanto sobre o desempenho da estratégia, como determinar o tipo e a quantidade de dados históricos para o teste, como avaliar de forma imparcial uma estratégia de negociação e, finalmente, como avançar para a fase de backtesting e implementação estratégica.
Identificando suas próprias preferências pessoais para negociação.
Para ser um comerciante bem sucedido - de forma discricionária ou algorítmica - é necessário fazer-se algumas perguntas honestas. O Trading oferece a você a capacidade de perder dinheiro em uma taxa alarmante, por isso é necessário "conhecer você mesmo" tanto quanto é necessário entender a estratégia escolhida.
Eu diria que a consideração mais importante na negociação é estar ciente de sua própria personalidade. O comércio e o comércio algorítmico em particular, requer um grau significativo de disciplina, paciência e desapego emocional. Como você está deixando um algoritmo executar sua negociação para você, é necessário ser resolvido para não interferir com a estratégia quando está sendo executado. Isso pode ser extremamente difícil, especialmente em períodos de redução prolongada. No entanto, muitas estratégias que mostraram ser altamente rentáveis em um backtest podem ser arruinadas por uma simples interferência. Compreenda que se você deseja entrar no mundo da negociação algorítmica, você será testado emocionalmente e, para ser bem-sucedido, é necessário trabalhar com essas dificuldades!
A próxima consideração é uma das vezes. Você tem um emprego a tempo inteiro? Você trabalha a tempo parcial? Você trabalha em casa ou tem uma longa viagem diária? Essas perguntas ajudarão a determinar a freqüência da estratégia que você deve procurar. Para aqueles de você no emprego a tempo inteiro, uma estratégia de futuros intradiária pode não ser apropriada (pelo menos até que seja totalmente automatizada!). Suas restrições de tempo também ditarão a metodologia da estratégia. Se sua estratégia é freqüentemente negociada e dependente de feeds de notícias caras (como um terminal da Bloomberg), você terá claramente que ser realista sobre sua capacidade de executar com sucesso durante o escritório! Para aqueles de vocês com muito tempo, ou as habilidades para automatizar sua estratégia, você pode querer examinar uma estratégia mais técnica de negociação de alta freqüência (HFT).
Minha opinião é que é necessário realizar pesquisas contínuas sobre suas estratégias de negociação para manter um portfólio consistentemente lucrativo. Poucas estratégias permanecem "sob o radar" para sempre. Assim, uma parte importante do tempo atribuído à negociação será na realização de pesquisas em andamento. Pergunte a si mesmo se você está preparado para fazer isso, pois pode ser a diferença entre uma forte rentabilidade ou um declínio lento em relação a perdas.
Você também precisa considerar seu capital de negociação. O valor mínimo ideal geralmente aceito para uma estratégia quantitativa é de 50,000 USD (aproximadamente £ 35,000 para nós no Reino Unido). Se eu estivesse começando de novo, eu começaria com uma quantidade maior, provavelmente mais perto de 100,000 USD (aproximadamente £ 70,000). Isso ocorre porque os custos de transação podem ser extremamente caros para estratégias de média a alta freqüência e é necessário ter capital suficiente para absorvê-los em tempos de redução. Se você está considerando começar com menos de 10.000 USD, então você precisará se restringir a estratégias de baixa freqüência, negociando em um ou dois ativos, já que os custos de transação irão comer rapidamente em seus retornos. Interactive Brokers, que é um dos corretores mais amigáveis para aqueles com habilidades de programação, devido à sua API, tem uma conta de varejo mínima de 10.000 USD.
A habilidade de programação é um fator importante na criação de uma estratégia de negociação algorítmica automatizada. Estar bem informado em uma linguagem de programação como C ++, Java, C #, Python ou R permitirá que você crie o sistema de armazenamento de dados, o sistema de backtest e o sistema de execução de ponta a ponta. Isso tem uma série de vantagens, cujo chefe é a capacidade de estar completamente atento a todos os aspectos da infra-estrutura comercial. Também permite que você explore as estratégias de freqüência mais alta, pois você terá o controle total da sua "pilha de tecnologia". Embora isso signifique que você possa testar seu próprio software e eliminar erros, também significa mais tempo gasto na codificação de infra-estrutura e menos na implementação de estratégias, pelo menos na parte anterior da sua carreira de trading. Você pode achar que você está confortável negociando no Excel ou MATLAB e pode terceirizar o desenvolvimento de outros componentes. Eu não recomendaria isso no entanto, especialmente para aqueles que negociavam em alta freqüência.
Você precisa se perguntar o que você espera alcançar por meio de negociação algorítmica. Você está interessado em um rendimento regular, pelo qual você espera obter lucros de sua conta de negociação? Ou, você está interessado em um ganho de capital a longo prazo e pode se negociar sem a necessidade de retirar fundos? A dependência de renda determinará a freqüência de sua estratégia. As retiradas de renda mais regulares exigirão uma estratégia de negociação de maior freqüência com menor volatilidade (ou seja, uma proporção Sharpe mais alta). Os comerciantes de longo prazo podem pagar uma frequência comercial mais tranquila.
Finalmente, não se ilude com a noção de tornar-se extremamente rico num curto espaço de tempo! O comércio de Algo não é um esquema rápido e rápido - se alguma coisa pode ser um esquema rápido e rápido. É preciso disciplina, pesquisa, diligência e paciência importantes para serem bem-sucedidos no comércio algorítmico. Pode levar meses, senão anos, gerar rentabilidade consistente.
Sourcing Algorithmic Trading Ideas.
Apesar das percepções comuns em contrário, é realmente bastante direto localizar estratégias de negociação rentáveis no domínio público. Nunca as idéias comerciais estão mais disponíveis do que hoje. Revistas de finanças acadêmicas, servidores de pré-impressão, blogs comerciais, fóruns de negociação, revistas comerciais semanais e textos especializados fornecem milhares de estratégias de negociação com as quais basear suas idéias.
Nosso objetivo como pesquisadores quantitativos de negócios é estabelecer um pipeline estratégico que nos forneça um fluxo de idéias comerciais em andamento. Idealmente, queremos criar uma abordagem metódica para sourcing, avaliação e implementação de estratégias que encontramos. Os objetivos do pipeline são gerar uma quantidade consistente de novas idéias e fornecer-nos uma estrutura para rejeitar a maioria dessas idéias com o mínimo de consideração emocional.
Devemos ser extremamente cuidadosos para não permitir influências cognitivas na nossa metodologia de tomada de decisão. Isso pode ser tão simples como ter uma preferência por uma classe de ativos sobre outra (o ouro e outros metais preciosos vêm à mente) porque são percebidos como mais exóticos. Nosso objetivo sempre deve ser encontrar estratégias consistentemente lucrativas, com expectativas positivas. A escolha da classe de ativos deve basear-se em outras considerações, como restrições de capital de negociação, taxas de corretagem e capacidades de alavancagem.
Se você não está completamente familiarizado com o conceito de estratégia comercial, então o primeiro lugar a procurar é com os livros didáticos estabelecidos. Os textos clássicos fornecem uma ampla gama de idéias mais simples e diretas, para se familiarizarem com a negociação quantitativa. Aqui está uma seleção que eu recomendo para aqueles que são novos para negociação quantitativa, que gradualmente se tornam mais sofisticados enquanto você trabalha através da lista:
Para uma lista mais longa de livros de negociação quantitativos, visite a lista de leitura QuantStart.
O próximo lugar para encontrar estratégias mais sofisticadas é com fóruns de negociação e blogs comerciais. No entanto, uma nota de cautela: muitos blogs comerciais dependem do conceito de análise técnica. A análise técnica envolve a utilização de indicadores básicos e psicologia comportamental para determinar tendências ou padrões de reversão nos preços dos ativos.
Apesar de ser extremamente popular no espaço comercial geral, a análise técnica é considerada um pouco ineficaz na comunidade de finanças quantitativas. Alguns sugeriram que não é melhor que ler um horóscopo ou estudar folhas de chá em termos de seu poder preditivo! Na realidade, existem indivíduos bem-sucedidos que utilizam análises técnicas. No entanto, como quants com uma caixa de ferramentas matemática e estatística mais sofisticada à nossa disposição, podemos facilmente avaliar a eficácia de tais estratégias "baseadas em TA" e tomar decisões baseadas em dados, em vez de basear nossas em considerações ou preconceitos emocionais.
Aqui está uma lista de bem-respeitados blogs e fóruns de negociação algorítmica:
Depois de ter tido alguma experiência na avaliação de estratégias mais simples, é hora de olhar para as ofertas acadêmicas mais sofisticadas. Algumas revistas acadêmicas serão de difícil acesso, sem inscrições elevadas ou custos pontuais. Se você é um membro ou ex-aluno de uma universidade, você poderá obter acesso a algumas dessas revistas financeiras. Caso contrário, você pode olhar para os servidores de pré-impressão, que são repositórios de internet de rascunhos finais de documentos acadêmicos que estão sendo submetidos a revisão pelos pares. Uma vez que estamos apenas interessados em estratégias que possamos replicar com sucesso, fazer backtest e obter rentabilidade, uma revisão por pares é de menor importância para nós.
A principal desvantagem das estratégias acadêmicas é que muitas vezes podem estar desatualizadas, exigir dados históricos obscuros e dispendiosos, negociar classes de ativos ilíquidas ou não influenciar taxas, derrapagens ou propagação. Também não está claro se a estratégia de negociação deve ser realizada com ordens de mercado, ordens limitadas ou se contém perdas de parada, etc. Portanto, é absolutamente essencial replicar a estratégia o melhor que puder, fazer o backtest e adicionar uma transação realista custos que incluem tantos aspectos das classes de ativos que você deseja negociar.
Aqui está uma lista dos servidores de pré-impressão mais populares e revistas financeiras das quais você pode criar ideias:
E sobre como formar suas próprias estratégias quantitativas? Isso geralmente requer (mas não está limitado a) conhecimento em uma ou mais das seguintes categorias:
Microestrutura de mercado - Para estratégias de freqüência mais altas em particular, pode-se usar a microestrutura do mercado, ou seja, a compreensão da dinâmica do livro de pedidos, a fim de gerar rentabilidade. Diferentes mercados terão várias limitações tecnológicas, regulamentos, participantes do mercado e restrições que estão abertas à exploração através de estratégias específicas. Esta é uma área muito sofisticada e os profissionais de varejo terão dificuldade em ser competitivos neste espaço, particularmente porque a competição inclui fundos de hedge quantitativos grandes e bem capitalizados com fortes capacidades tecnológicas. Estrutura do fundo - Os fundos de investimento em conjunto, como fundos de pensão, parcerias de investimento privado (hedge funds), consultores de negociação de commodities e fundos de investimento, são limitados por uma forte regulamentação e suas grandes reservas de capital. Assim, certos comportamentos consistentes podem ser explorados com aqueles que são mais ágeis. Por exemplo, grandes fundos estão sujeitos a restrições de capacidade devido ao seu tamanho. Assim, se eles precisam rapidamente descarregar (vender) uma quantidade de valores mobiliários, eles terão que diminuí-lo para evitar "mover o mercado". Algoritmos sofisticados podem tirar proveito disso, e outras idiossincrasias, em um processo geral conhecido como arbitragem de estrutura de fundos. Aprendizado de máquinas / inteligência artificial - Os algoritmos de aprendizagem de máquinas tornaram-se mais prevalentes nos últimos anos nos mercados financeiros. Os classificadores (como Naive-Bayes, et al.) Correspondentes de função não-linear (redes neurais) e rotinas de otimização (algoritmos genéticos) foram todos usados para prever caminhos de ativos ou otimizar estratégias de negociação. Se você tem um histórico nesta área, você pode ter alguma visão sobre como determinados algoritmos podem ser aplicados a certos mercados.
Há, é claro, muitas outras áreas para investigar quants. Vamos discutir como apresentar estratégias personalizadas em detalhes em um artigo posterior.
Ao continuar monitorando essas fontes em uma base semanal, ou mesmo diária, você está se preparando para receber uma lista consistente de estratégias de uma variedade diversificada de fontes. O próximo passo é determinar como rejeitar um grande subconjunto dessas estratégias, a fim de minimizar o desperdício de seu tempo e os recursos de backtesting em estratégias que provavelmente não serão lucrativas.
Avaliando Estratégias de Negociação.
A primeira consideração, e indiscutivelmente mais óbvia, é se você realmente entende a estratégia. Você poderia explicar a estratégia de forma concisa ou exigir uma série de advertências e listas de parâmetros infinitas? Além disso, a estratégia tem uma base boa e sólida na realidade? Por exemplo, você poderia apontar alguma lógica comportamental ou restrição da estrutura do fundo que possa estar causando o (s) padrão (s) que você está tentando explorar? Esta restrição suportaria uma mudança de regime, como uma dramática perturbação do ambiente regulatório? A estratégia depende de regras estatísticas ou matemáticas complexas? Aplica-se a qualquer série de tempo financeiro ou é específico para a classe de ativos em que se afirma ser lucrativo? Você deve constantemente pensar nesses fatores ao avaliar novos métodos de negociação, caso contrário você pode desperdiçar uma quantidade significativa de tempo tentando fazer backtest e otimizar estratégias não lucrativas.
Uma vez que você tenha determinado que você entende os princípios básicos da estratégia, você precisa decidir se ele se encaixa com o seu perfil de personalidade acima mencionado. Esta não é uma consideração tão vaga quanto parece! As estratégias diferirão substancialmente em suas características de desempenho. Existem certos tipos de personalidade que podem lidar com períodos mais significativos de redução ou estão dispostos a aceitar um maior risco de retorno maior. Apesar do fato de que nós, como quants, tentamos eliminar todo o viés cognitivo possível e devemos avaliar uma estratégia de forma imparcial, os preconceitos sempre entrarão. Por isso, precisamos de um meio consistente e sem emoção para avaliar o desempenho das estratégias . Aqui está a lista de critérios que eu julgo uma nova estratégia potencial por:
Metodologia - O impulso da estratégia está baseado, o retorno médio, o mercado neutro, direcional? A estratégia baseia-se em técnicas de aprendizado estatístico ou de máquinas complexas (ou complexas) que são difíceis de entender e exigem um doutorado em estatísticas para entender? Essas técnicas introduzem uma quantidade significativa de parâmetros, o que pode levar a um viés de otimização? A estratégia é susceptível de suportar uma mudança de regime (ou seja, uma nova regulamentação potencial dos mercados financeiros)? Sharpe Ratio - O índice de Sharpe caracteriza heuristicamente o índice de recompensa / risco da estratégia. Quantifica quanto retorno você consegue para o nível de volatilidade sofrido pela curva patrimonial. Naturalmente, precisamos determinar o período e a frequência em que esses retornos e volatilidade (ou seja, o desvio padrão) são medidos. Uma estratégia de freqüência mais alta exigirá maior taxa de amostragem do desvio padrão, mas um período de tempo geral mais curto, por exemplo. Alavancagem - A estratégia exige alavancagem significativa para ser lucrativa? A estratégia exige o uso de contratos de derivativos alavancados (futuros, opções, swaps) para fazer um retorno? Estes contratos alavancados podem ter uma forte volatilidade e, portanto, podem facilmente levar a chamadas de margem. Você tem o capital comercial e o temperamento para essa volatilidade? Frequência - A frequência da estratégia está intimamente ligada à sua pilha de tecnologia (e, portanto, à experiência tecnológica), ao índice Sharpe e ao nível geral dos custos de transação. Todas as outras questões consideradas, as estratégias de maior freqüência requerem mais capital, são mais sofisticadas e difíceis de implementar. No entanto, assumindo que seu mecanismo de teste de backtest é sofisticado e livre de erros, eles geralmente terão taxas Sharpe muito maiores. Volatilidade - A volatilidade está fortemente relacionada ao "risco" da estratégia. A relação Sharpe caracteriza isso. A maior volatilidade das classes de ativos subjacentes, se não coberta, muitas vezes leva a uma maior volatilidade na curva patrimonial e, portanto, menores índices de Sharpe. Naturalmente, suponho que a volatilidade positiva seja aproximadamente igual à volatilidade negativa. Algumas estratégias podem ter maior volatilidade negativa. Você precisa estar ciente desses atributos. Ganhe / Perda, Lucro / Perda Médio - As estratégias serão diferentes nas suas ganhos / perdas e características médias de lucro / perda. Pode-se ter uma estratégia muito lucrativa, mesmo que o número de negócios perdidos exceda o número de negociações vencedoras. As estratégias de impulso tendem a ter esse padrão, pois dependem de um pequeno número de "grandes sucessos" para serem lucrativos. As estratégias de reversão média tendem a ter perfis opostos onde mais dos negócios são "vencedores", mas os negócios perdidos podem ser bastante graves. Drawdown máximo - A redução máxima é a maior queda percentual global na curva de equidade da estratégia. As estratégias de Momentum são bem conhecidas por sofrerem períodos de redução prolongada (devido a uma série de muitos negócios perdidos incrementais). Muitos comerciantes vão desistir em períodos de redução prolongada, mesmo que os testes históricos sugeriram que este é "business as usual" para a estratégia. Você precisará determinar qual porcentagem de redução (e em que período de tempo) você pode aceitar antes de deixar de negociar sua estratégia. Esta é uma decisão altamente pessoal e, portanto, deve ser considerada com cuidado. Capacidade / liquidez - No nível de varejo, a menos que você esteja negociando em um instrumento altamente ilíquido (como um estoque de pequena capital), você não terá que se preocupar muito com a capacidade da estratégia. A capacidade determina a escalabilidade da estratégia para aumentar o capital. Muitos dos maiores hedge funds sofrem de importantes problemas de capacidade à medida que suas estratégias aumentam em alocação de capital. Parâmetros - Certas estratégias (especialmente aquelas encontradas na comunidade de aprendizagem de máquinas) requerem uma grande quantidade de parâmetros. Todo parâmetro adicional que uma estratégia exige deixa-o mais vulnerável ao viés de otimização (também conhecido como "ajuste de curva"). Você deve tentar segmentar estratégias com o menor número possível de parâmetros ou garantir que você tenha quantidades suficientes de dados para testar suas estratégias. Benchmark - Quase todas as estratégias (a menos que sejam caracterizadas como "retorno absoluto") são medidas em relação a um benchmark de desempenho. O benchmark geralmente é um índice que caracteriza uma grande amostra da classe de ativos subjacentes em que a estratégia negocia. Se a estratégia negociar ações americanas de grande capitalização, o S & P500 seria uma referência natural para medir sua estratégia. Você ouvirá os termos "alfa" e "beta", aplicado a estratégias deste tipo. Vamos discutir esses coeficientes em profundidade em artigos posteriores.
Observe que não discutimos os retornos reais da estratégia. Por que é isso? De forma isolada, os retornos realmente nos fornecem informações limitadas sobre a eficácia da estratégia. Eles não lhe dão uma visão de alavancagem, volatilidade, benchmarks ou requisitos de capital. Assim, as estratégias raramente são avaliadas apenas em seus retornos. Considere sempre os atributos de risco de uma estratégia antes de analisar os retornos.
Nesta fase, muitas das estratégias encontradas em seu pipeline serão rejeitadas, uma vez que não atenderão aos requisitos de capital, alavancar restrições, tolerar a tolerância máxima ou preferências de volatilidade. As estratégias que permanecem podem agora ser consideradas para testes anteriores. No entanto, antes disso é possível, é necessário considerar um critério de rejeição final - o dos dados históricos disponíveis para testar essas estratégias.
Obtenção de dados históricos.
Hoje em dia, a amplitude dos requisitos técnicos em todas as classes de ativos para o armazenamento histórico de dados é substancial. Para se manter competitivo, tanto o lado da compra (fundos) como os de venda (bancos de investimento) investem fortemente em sua infraestrutura técnica. É imperativo considerar sua importância. Em particular, estamos interessados em requisitos de tempo, precisão e armazenamento. Agora vou descrever os conceitos básicos de obtenção de dados históricos e como armazená-lo. Infelizmente, este é um tópico muito profundo e técnico, então não poderei dizer tudo neste artigo. No entanto, vou escrever muito mais sobre isso no futuro, já que minha experiência na indústria anterior no setor financeiro estava principalmente preocupada com aquisição, armazenamento e acesso de dados financeiros.
Na seção anterior, estabelecemos um pipeline de estratégia que nos permitiu rejeitar certas estratégias com base em nossos próprios critérios de rejeição pessoal. Nesta seção, vamos filtrar mais estratégias com base em nossas próprias preferências para obter dados históricos. As principais considerações (especialmente no nível do profissional varejista) são os custos dos dados, dos requisitos de armazenamento e do seu nível de experiência técnica. Também precisamos discutir os diferentes tipos de dados disponíveis e as diferentes considerações que cada tipo de dados nos impõe.
Vamos começar discutindo os tipos de dados disponíveis e os principais problemas sobre os quais devemos pensar:
Dados fundamentais - Isso inclui dados sobre tendências macroeconômicas, como taxas de juros, índices de inflação, ações corporativas (dividendos, estoque-divisões), registros da SEC, contas corporativas, números de ganhos, relatórios de culturas, dados meteorológicos etc. Esses dados são freqüentemente usados para valorizar as empresas ou outros ativos em uma base fundamental, ou seja, por meio de alguns fluxos de caixa futuros esperados. Não inclui séries de preços de ações. Alguns dados fundamentais estão disponíveis gratuitamente nos sites do governo. Outros dados fundamentais históricos de longo prazo podem ser extremamente caros. Os requisitos de armazenamento geralmente não são particularmente grandes, a menos que milhares de empresas estejam sendo estudadas de uma só vez. Dados de notícias - Os dados de notícias são geralmente de natureza qualitativa. Consiste em artigos, postagens de blog, postagens de microblog ("tweets") e editoriais. As técnicas de aprendizagem de máquinas, como os classificadores, costumam ser usadas para interpretar o sentimento. Esses dados também são freqüentemente disponíveis gratuitamente ou baratos, por meio da assinatura de meios de comunicação. Os bancos de dados de armazenamento de documentos "NoSQL" mais novos foram projetados para armazenar esse tipo de dados qualitativos não estruturados. Dados do preço do recurso - Este é o domínio de dados tradicional do quant. Consiste em séries temporais de preços dos ativos. As ações (ações), produtos de renda fixa (títulos), commodities e preços de câmbio se enquadram nesta classe. Os dados históricos diários são geralmente simples de obter para as classes de ativos mais simples, como ações. No entanto, uma vez que a precisão e a limpeza estão incluídas e os preconceitos estatísticos removidos, os dados podem se tornar caros. Além disso, os dados das séries temporais geralmente possuem requisitos de armazenamento significativos, especialmente quando os dados intradiários são considerados. Instrumentos Financeiros - Ações, títulos, futuros e opções derivadas mais exóticas possuem características e parâmetros muito diferentes. Assim, não existe uma estrutura de banco de dados "tamanho único" que possa acomodá-los. Deve ser dado um cuidado significativo à concepção e implementação de estruturas de banco de dados para vários instrumentos financeiros. Vamos discutir a situação ao longo de quando chegamos a construir um banco de dados mestre de valores mobiliários em futuros artigos. Frequência - Quanto maior a frequência dos dados, maiores são os custos e os requisitos de armazenamento. Para estratégias de baixa frequência, os dados diários são frequentemente suficientes. Para estratégias de alta freqüência, pode ser necessário obter dados de nível de tiquetaque e até mesmo cópias históricas de determinados dados de cadastro de trocas comerciais. A implementação de um mecanismo de armazenamento para esse tipo de dados é muito tecnicamente intensiva e só é adequada para aqueles que possuem uma sólida base de programação / técnica. Pontos de referência - As estratégias descritas acima serão muitas vezes comparadas a uma referência. Isso geralmente se manifesta como uma série de tempo financeiro adicional. Para as ações, isso geralmente é um benchmark de estoque nacional, como o índice S & P500 (US) ou FTSE100 (Reino Unido). Para um fundo de renda fixa, é útil comparar-se com uma cesta de títulos ou produtos de renda fixa. A "taxa livre de risco" (ou seja, a taxa de juros apropriada) também é outra referência amplamente aceita. Todas as categorias de classe de ativos possuem um benchmark favorecido, por isso será necessário pesquisar isso com base em sua estratégia específica, se desejar ganhar interesse em sua estratégia externamente. Tecnologia - As pilhas de tecnologia por trás de um centro de armazenamento de dados financeiros são complexas. Este artigo apenas pode arranhar a superfície sobre o que está envolvido na construção de um. No entanto, ele se centra em torno de um mecanismo de banco de dados, como um Sistema de Gerenciamento de Banco de Dados Relacional (RDBMS), como MySQL, SQL Server, Oracle ou um Document Storage Engine (ou seja, "NoSQL"). Isso é acessado através do código de aplicativo "lógica comercial" que consulta o banco de dados e fornece acesso a ferramentas externas, como MATLAB, R ou Excel. Muitas vezes, esta lógica de negócios está escrita em C ++, C #, Java ou Python. Você também precisará hospedar esses dados em algum lugar, seja em seu próprio computador pessoal, seja remotamente através de servidores de internet. Produtos como o Amazon Web Services tornaram isso mais simples e barato nos últimos anos, mas ainda exigirá conhecimentos técnicos significativos para alcançar de forma robusta.
Como pode ser visto, uma vez que uma estratégia tenha sido identificada através do pipeline, será necessário avaliar a disponibilidade, os custos, a complexidade e os detalhes de implementação de um determinado conjunto de dados históricos. Você pode achar que é necessário rejeitar uma estratégia baseada unicamente em considerações de dados históricos. Esta é uma grande área e equipes de doutorados trabalham em grandes fundos garantindo que os preços sejam precisos e oportunos. Não subestime as dificuldades de criar um centro de dados robusto para os seus efeitos de backtesting!
Eu quero dizer, no entanto, que muitas plataformas de backtesting podem fornecer esses dados para você automaticamente - a um custo. Assim, demorará muito da dor de implementação para você, e você pode se concentrar exclusivamente na implementação e otimização da estratégia. Ferramentas como a TradeStation possuem essa capacidade. No entanto, minha visão pessoal é implementar o máximo possível internamente e evitar a terceirização de partes da pilha para fornecedores de software. Eu prefiro estratégias de freqüência mais altas devido aos seus índices de Sharpe mais atraentes, mas muitas vezes estão fortemente acoplados à pilha de tecnologia, onde a otimização avançada é crítica.
Agora que discutimos os problemas relacionados aos dados históricos, é hora de começar a implementar nossas estratégias em um mecanismo de teste. Este será o assunto de outros artigos, pois é uma área de discussão igualmente grande!
Apenas iniciando o comércio quantitativo?
3 razões para se inscrever na QuantStart List:
1. Quant Trading Lessons.
Você terá acesso instantâneo a um curso gratuito de 10 partes, com sugestões e dicas para ajudá-lo a começar a negociação quantitativa!
2. Todo o conteúdo mais recente.
Todas as semanas, vou enviar-lhe um envoltório de todas as atividades no QuantStart para que você nunca mais perca uma postagem novamente.
Real, dicas de negociação viáveis, sem tonturas.
Estratégias rentáveis de negociação de Momentum para investidores individuais.
Foltice, B. & Langer, T. (2015) Estratégias de negociação de impulso rentável para investidores individuais. Mercado Financeiro e Gestão de Carteira, 29 (2), 85-113.
32 páginas postadas: 8 de abril de 2014 Última revisão: 30 de abril de 2015.
Bryan Foltice.
Thomas Langer.
Universidade de Muenster - Centro Financeiro.
Estratégias rentáveis de negociação de Momentum para investidores individuais.
Estratégias rentáveis de negociação de Momentum para investidores individuais.
Data escrita: 24 de janeiro de 2015.
Por quase três décadas, estudos científicos exploraram estratégias de investimento dinâmicas e observaram rendimentos excessivos estáveis em diversos mercados financeiros. No entanto, as estratégias de negociação normalmente analisadas em tais pesquisas não são acessíveis a investidores individuais devido a restrições de vendas curtas, nem são rentáveis devido a altos custos de negociação. Incorporando essas restrições, exploramos uma estratégia de negociação de impulso simplificada que só explora os retornos excessivos do impulso inicial para um pequeno número de ações individuais. Com base nos dados dos EUA da Bolsa de Valores de Nova York de julho de 1991 a dezembro de 2010, analisamos se essa estratégia de impulso simplificada supera o benchmark após ter avaliado custos e riscos realistas de transações. Achamos que a estratégia pode realmente funcionar para investidores individuais com montantes de investimento inicial de pelo menos US $ 5.000. Em novas tentativas de melhorar essa estratégia de negociação prática, analisamos uma estratégia de negociação de impulso sobreposta consistindo em uma negociação mais freqüente de um número menor de ações "vencedoras". Achamos que aumentar a frequência de negociação aumenta inicialmente os retornos ajustados ao risco dessas carteiras até um ponto ótimo, após o qual os custos de transação excessivos começam a dominar a cena. Em um estudo de calibração, descobrimos que, dependendo do valor inicial do investimento da carteira, a freqüência de negociação de impulso ideal varia de dois a três a cada mês.
Palavras-chave: Momentum Investing, Finanças Pessoais, Gestão de Carteira.
Classificação JEL: G11, G12, G14.
Bryan Foltice (Autor do Contato)
Universidade Butler ()
Indianapolis, IN 46208.
Thomas Langer.
Universidade de Muenster - Centro Financeiro ()
+49 251 83 22033 (Telefone)
Estatísticas de papel.
Jornais relacionados.
Mercado de capitais: eJournal de preços e avaliação de ativos.
Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.
EJournal de Finanças Domésticas.
Assine este boletim de taxas para mais artigos com curadoria sobre este tópico.
Links Rápidos.
Sobre.
Os cookies são usados por este site. Para recusar ou aprender mais, visite nossa página Cookies. Esta página foi processada por apollo4 em 0.094 segundos.
Comments
Post a Comment