Handelsstrategier som vanligtvis används av handlare som gillar att tillämpa teknisk analys vid lagerplockning använder ofta glidande medelvärden som en köp - eller försäljningssignal. I mitt exempel nedan har jag undersökt ett stort antal glidande genomsnittliga strategier för Dow Jones Industrial Index för perioden 1930-2008. Strategibeskrivning: Köp när x-dagars glidande medelvärde går över y-dags glidande medelvärde och stäng positionen när motsatsen uppstår. Strategin ser verkligen mycket tilltalande ut när den presenteras med rätt lager vid rätt tidpunkt, men när vi applicerar det mekaniskt länge kan vi se att det helt klart inte fungerar. Tvärtom leder det till en statistiskt signifikant unperperformance till en enkel buy-and-hold. Buy-and-hold vs strategi med optimal x450 dagar och y1875 dagar är fortfarande underpresterande en enkel buy-and-hold. Orsaken till underpresteringen måste ligga i att SampP-aktierna genererade en betydande avkastning under de senaste 80 åren. När vi avbryter dessa avkastningar i ett uppenbart slumpmässigt mönster (till exempel vid tillämpning av den glidande genomsnittliga strategin) leder det klart till en signifikant underprestanda. Här igen detaljerna för den optimala strategin (som är fortfarande sämre än en buy-and-hold): x: 450 dagar y: 1875 dagar outperformancepa: -0.81151 outperformancepaleveraged: 3,9124 strategyperformancepa: 4,7239 strategyperformancepaleveraged: 9,4479 buyholdperformancepa: 5,5354 strategyperformance: 372,65 strategyperformance : 745,29 strategier för prestation: 436.66 strategimodellering: 46.581 strateginummer: 46581 strateginummer: 6000 strategiska antal dagar: 21824 buyholdlongdays: 28793 strategylongdayspct: 75.796 buyholdlongdayspct: 100 strategywindradeduration: 2728 strategywinningtrades: 4 strategywinningtradespct: 50 strategymaxdrawdown: -18.169 strategymaxwin: 208.52 worsttradestart: 16946 worsttradeend: 17639 worsttrade: 5 bästa matchen: 19335 Bästa rapport: 26545 Besttradenumber: 7 Periodspa: 365: Bästa Forexrabatt, tjäna gratis extra pengar när du handlar. Fungerar med alla typer av steeiagtr eller system. Om du tror att du bara kan tjäna pengar från bara vinster på ditt konto, då är du fel. Med forexrabatter tjänar du pengar om du vinner en handel eller förlorar en handel. Därefter ger du 2 inkomstströmmar, en från vinsten på ditt konto och en från dina rabatter. Låter orealistiskt Kontrollera det utåt - gt freeforexrebates. info I039m Jag är inte säker på att jag håller med det här Jag körde ett backtest med SPX och en enkel 200-dagars MA (Köp nästa dag039s stäng om indexet passerar över MA, sälja om det passerar under ). Jag började 1942 eftersom det är det tidigaste jag har och jag använde SampP 500 Tot Return-indexet, men jag fick liknande relativa resultat med det oanpassade indexet. KÖP förstärkare HOLD CAR: 11.05 Max Drawdown: -55.20 Ulcer Index: 11.78 200-DAY MA CAR: 12.19 Max Drawdown: -21.07 Ulcer Index: 6.09 Så det verkar verkligen som att använda en MA är en bra strategi. Om inget annat minskar Max Drawdown. Moving Averages: Vad är de Bland de mest populära tekniska indikatorerna används glidande medelvärden för att mäta riktningen för den nuvarande trenden. Varje typ av glidande medelvärde (vanligtvis skrivet i denna handledning som MA) är ett matematiskt resultat som beräknas genom att medelvärda ett antal tidigare datapunkter. När det bestämts är det resulterande genomsnittet plottat på ett diagram för att låta handlare se på jämn data istället för att fokusera på de dagliga prisfluktuationerna som är inneboende på alla finansmarknader. Den enklaste formen av ett glidande medel, lämpligt känt som ett enkelt glidande medelvärde (SMA), beräknas genom att ta det aritmetiska medelvärdet av en given uppsättning värden. För att beräkna ett grundläggande 10-dagars glidande medelvärde skulle du lägga till slutkurserna från de senaste 10 dagarna och sedan dela resultatet med 10. I Figur 1 är summan av priserna under de senaste 10 dagarna (110) dividerat med antalet dagar (10) för att komma fram till 10-dagars genomsnittet. Om en näringsidkare vill se ett 50-dagars medel istället skulle samma typ av beräkning göras, men det skulle inkludera priserna under de senaste 50 dagarna. Det resulterande genomsnittet under (11) tar hänsyn till de senaste 10 datapunkterna för att ge handlare en uppfattning om hur en tillgång prissätts relativt de senaste 10 dagarna. Kanske du undrar varför tekniska handlare kallar det här verktyget ett glidande medelvärde och inte bara en vanlig medelvärde. Svaret är att när de nya värdena blir tillgängliga måste de äldsta datapunkterna släppas från uppsättningen och nya datapunkter måste komma in för att ersätta dem. Således flyttar datasatsen ständigt för att redogöra för nya data när den blir tillgänglig. Denna beräkningsmetod säkerställer att endast den nuvarande informationen redovisas. I figur 2 flyttas den röda rutan (representerande de senaste 10 datapunkterna) till höger om det nya värdet på 5 och det sista värdet av 15 släpps från beräkningen. Eftersom det relativt lilla värdet på 5 ersätter det höga värdet på 15, förväntar du dig att genomsnittet av datamängden minskar, vilket det gör, i det här fallet från 11 till 10. Vad ser Moving Averages Like När värdena på MA har beräknats, de är plottade på ett diagram och sedan anslutna för att skapa en rörlig genomsnittslinje. Dessa kurvor är vanliga på diagrammen för tekniska handlare, men hur de används kan variera drastiskt (mer om detta senare). Som du kan se i Figur 3 är det möjligt att lägga till mer än ett glidande medelvärde till ett diagram genom att justera antalet tidsperioder som används i beräkningen. Dessa böjda linjer kan verka distraherande eller förvirrande först, men du kommer att bli vana vid dem som tiden går vidare. Den röda linjen är helt enkelt genomsnittspriset under de senaste 50 dagarna, medan den blå linjen är genomsnittspriset under de senaste 100 dagarna. Nu när du förstår vad ett rörligt medelvärde är och hur det ser ut, introducera väl en annan typ av rörligt medelvärde och undersöka hur det skiljer sig från det tidigare nämnda enkla glidande medlet. Det enkla glidande medlet är extremt populärt bland handlare, men som alla tekniska indikatorer har det kritiker. Många individer hävdar att användbarheten av SMA är begränsad eftersom varje punkt i dataserien är densamma, oavsett var det inträffar i sekvensen. Kritiker hävdar att de senaste uppgifterna är mer signifikanta än de äldre uppgifterna och bör ha större inverkan på slutresultatet. Som svar på denna kritik började näringsidkare lägga större vikt vid de senaste uppgifterna, som sedan har lett till uppfinningen av olika typer av nya medelvärden, varav den mest populära är det exponentiella rörliga genomsnittet (EMA). (För vidare läsning, se Grunderna för viktade rörliga medelvärden och vad som är skillnaden mellan en SMA och en EMA) Exponentiell rörlig genomsnitts Det exponentiella rörliga genomsnittsvärdet är en typ av rörligt medelvärde som ger större vikt till de senaste priserna i ett försök att göra det mer responsivt till ny information. Att lära sig den något komplicerade ekvationen för att beräkna en EMA kan vara onödig för många handlare, eftersom nästan alla kartläggningspaket gör beräkningarna för dig. Men för dig matte geeks där ute, här är EMA-ekvationen: När du använder formeln för att beräkna den första punkten hos EMA kan du märka att det inte finns något värde tillgängligt för att använda som tidigare EMA. Detta lilla problem kan lösas genom att starta beräkningen med ett enkelt glidande medelvärde och fortsätta med ovanstående formel därifrån. Vi har försett dig med ett provkalkylblad som innehåller verkliga exempel på hur man beräknar både ett enkelt glidande medelvärde och ett exponentiellt glidande medelvärde. Skillnaden mellan EMA och SMA Nu när du har en bättre förståelse för hur SMA och EMA beräknas, kan vi titta på hur dessa genomsnitt skiljer sig åt. Genom att titta på beräkningen av EMA kommer du att märka att större vikt läggs på de senaste datapunkterna, vilket gör det till en typ av vägt genomsnitt. I Figur 5 är antalet tidsperioder som används i varje genomsnitt identiskt (15), men EMA svarar snabbare på de förändrade priserna. Lägg märke till hur EMA har ett högre värde när priset stiger och faller snabbare än SMA när priset sjunker. Denna respons är den främsta anledningen till att många handlare föredrar att använda EMA över SMA. Vad betyder de olika dagarna Medflyttande medelvärden är en helt anpassningsbar indikator, vilket innebär att användaren fritt kan välja vilken tidsram de vill ha när de skapar genomsnittet. De vanligaste tidsperioderna som används i glidande medelvärden är 15, 20, 30, 50, 100 och 200 dagar. Ju kortare tidsintervallet användes för att skapa medelvärdet desto känsligare blir det för prisändringar. Ju längre tidspanelen är, desto mindre känslig eller jämnare blir medeltalet. Det finns ingen rätt tidsram att använda när du ställer in dina glidande medelvärden. Det bästa sättet att ta reda på vilken som fungerar bäst för dig är att experimentera med ett antal olika tidsperioder tills du hittar en som passar din strategi. 28 juli 2014 Yang Xu Key Research, Tactical Asset Allocation Research Nämnandet av teknisk analys i Akademiens hallar kan orsaka allvarlig oro. Föraktet för teknisk analys beror troligen på en fast tro på att marknaderna kan vara svaga i ineffektiva. Den andra anledningen till att forskare hittar en teknisk analys som är svåra att svälja är skepticismen i samband med datautvinning och meta-analysstudierna. vilket tyder på att en majoritet av tekniska handelsregler är helt enkelt våningssäng. Märkligt nog, strategier för tvärsnittsmoment, eller strategier som sätter värdepapper på relativ momentum vid en given tidpunkt, publiceras i stor utsträckning i akademiska tidskrifter. Varför momentum anses vara ett giltigt ämne att diskutera, medan andra välkända tekniska handelsregler som enkla trendregler följer kätteri, är lite konstigt. Vi bestämde oss för att det var dags att tortera den enkla rörliga genomsnittliga handelsregeln och avgöra om det bara är ett slöseri med tid eller något vi bör överväga i våra investeringsprogram. Inställningen för vår studie Inspirationen för denna studie härrörde från en nyfikenhet som vi hade efter att ha läst följande papper om intertemporalt riskparitet: Intertemporal riskparitet är en strategi som balanserar mellan en riskabel tillgång och pengar för att rikta en konstant risknivå över tiden. När det gäller aktier och jämfört med en köp och håll strategi är det känt att förbättra Sharpe-förhållandet och minska neddragningen. Vi använde Monte Carlo-simuleringar baserat på ett antal parametriska tidsramar från GARCH-familjen för att analysera den relativa betydelsen av ett antal effekter för att förklara dessa fördelar. Vi fann att volatilitetsklypning med konstant avkastning och de feta svansarna är de två effekterna med störst förklarande effekt. Resultaten är ännu starkare om det finns ett negativt förhållande mellan avkastning och volatilitet. Å andra sidan, om Sharpe-förhållandet förblir konstant över tiden, skulle den enda fördelen härröra från en intertemporal riskdiversifieringseffekt som är liten och har ett försumbart bidrag. Med hjälp av historiska data simulerade vi också vad som skulle ha varit strategins resultat när det gällde aktier, företagsobligationer, statsobligationer och råvaror. Vi fann att fördelarna med strategin är viktigare för aktier och högavkastande företagsobligationer, vilket visar starkast volatilitetsklypning och feta svansar. För statsobligationer och investment grade obligationer, som visar liten volatilitetsklypning, har strategins fördelar varit mindre viktiga. Resultaten från papperet är lovande, men vi återställer alltid studier på grund av att djävulen är i detaljerna. I denna situation inspirerade papperet också ett ramverk för att testa den glidande genomsnittliga regeln i samband med simuleringar. Strategi 1: Köp och håll SampP500. Strategi 2: När 20-dagars glidande medelvärde ligger över 252-dagars glidande medelvärde, riskera på annat sätt, risk-off. Vi testade strategierna i fyra olika simuleringsmiljöer: 1. En normal fördelning 3. GARCH med T-studentljud 4. Historisk data bootstrapping Data i simulering: 01-01-1990 till 12-31-2013, dagvärde för marknadsvärde på marknaden returnera och 3-månaders US-dollar LIBOR från Bloomberg. Data i bootstrapping: 01-01-1929 till 12-31-2013, dagliga värdeviktsmarknadsöverskridande avkastning från franska hemsidan från franska hemsidan. Hur fungerar simuleringen Vi använder stokastiska modeller för att simulera den dagliga överskridande avkastningen på SampP500. Dessa modeller gör olika antaganden om de dagliga avkastningarnas karaktär (vi kommer att förklara detaljerna nedan för varje modell). Följande papper har mer bakgrund på varje modell. Den empiriskt observerade årliga volatiliteten av den dagliga avkastningen SampP500 under denna tidsperiod är 18,5. Den årliga avkastningen på SampP500 som överstiger riskfri i samma period är 7,5. För modelleringsändamål simulerar vi SampP500-avkastningen från en Normal Distribution N (7.5, 18.5), som är vår basimuleringsmodell. GARCH-modellen och GARCH T-studentens brusmodell introduceras också. Dessa modeller är avsedda att fånga den empiriska observationen att månatlig aktie returnerar aren8217t normalt distribuerad. GARCH försöker fånga volatilitetsklypning och GARCH T fångar GARCH-effekter plus en fet svanseffekt. Dessa 2 effekter återspeglar empiriska observationer om månatliga avkastningar. Vi simulerade 500 Monte-Carlo scenarier i var och en av modellerna. Efter simuleringen tittar vi också på en 8220empirisk bootstrap8221-modell, som drar data från den faktiska distributionen av historiska aktieavkastning. Vi väljer slumpmässigt 1200 dagar i följd dagliga data för varje simuleringslöpning (500 simuleringar). Normal distribution I en normalt distribuerad värld är rörliga genomsnittliga regler ungefär lika med köp och innehav 8211 ingen uppenbar kant. I tabellen nedan framhävs något som sammanfattningsstatistiken inte verkligen fångar: MA dödar uppåtsidan Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar inte avkastning som någon investerare faktiskt uppnådde. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar INTE avkastning som någon investerare faktiskt uppnått. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. GARCH I en värld med klyvbar volatilitet underlättar rörliga medelregler fortfarande den taktiska investeraren. Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar INTE avkastning som någon investerare faktiskt uppnått. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. I tabellen nedan framhävs ett liknande resultat ovanifrån: MA dödar uppsidan. Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar INTE avkastning som någon investerare faktiskt uppnått. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. GARCH med student T-fördelning Vad sägs om fettstång Även med feta svansar reglerar glidande medelvärden, don8217t, mervärde, vid marginalen. Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar INTE avkastning som någon investerare faktiskt uppnått. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. Inget slående från histogrammet. Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar INTE avkastning som någon investerare faktiskt uppnått. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. Live Data Bootstrapping De tre simuleringarna ovan innefattar en dator som genererar 8220fake8221 aktieavkastning som har egenskaper som vi tycker återspeglar verkligheten (normal fördelning, feta svansar, kluster, volym etc). Naturligtvis innebär en annan simuleringsmetod att man simulerar från den faktiska distributionen av aktiekurserna. Med hjälp av den faktiska fördelningen av avkastningen finner vi de rörliga genomsnittliga reglerna betydligt bättre än att köpa och hålla. Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar INTE avkastning som någon investerare faktiskt uppnått. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar INTE avkastning som någon investerare faktiskt uppnått. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar INTE avkastning som någon investerare faktiskt uppnått. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar INTE avkastning som någon investerare faktiskt uppnått. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. Resultaten är hypotetiska resultat och är INTE en indikator på framtida resultat och representerar INTE avkastning som någon investerare faktiskt uppnått. Indexerna är omanagda, speglar inte förvaltnings - eller handelsavgifter, och man kan inte investera direkt i ett index. Ytterligare information om konstruktionen av dessa resultat är tillgänglig på begäran. Varför är startresultatet så annorlunda från modellerade resultat Ett argument är datautvinning. Detta är alltid en livskraftig alternativ hypotes. Ett annat argument är att simulering av aktiekurserna från en modell baserad på vissa parametrar aldrig kan fånga uppdelningen av faktiska avkastningar. Resultaten från bootstrapping tycks föreslå att glidande genomsnittliga handelsregler utgör en lovande teknisk handelsregel i 8220realvärlden, 8221 trots att det finns legioner av forskare som föreslår att teknisk analys är bunk. Obs! Denna webbplats ger ingen information om våra värdeinvesterande ETFs eller våra momentum som investerar ETFs. Vänligen hänvisa till denna webbplats. Bli med tusentals andra läsare och prenumerera på vår blogg. Kom ihåg att tidigare resultat inte är en indikator på framtida resultat. Läs vår fullständiga ansvarsfriskrivning. Synpunkterna och åsikterna som uttrycks här är författarens och inte nödvändigtvis återspeglar Alpha Architects, dess dotterbolag eller dess anställdas åsikter. Detta material har lämnats uteslutande för information och utbildning och utgör inte ett erbjudande eller uppmaning till ett erbjudande eller något råd eller en rekommendation att köpa några värdepapper eller andra finansiella instrument och får inte tolkas som sådant. Den faktiska informationen som anges häri har erhållits eller härrörats från källor som författaren och Alpha Architect trodde vara pålitliga men det är inte nödvändigtvis allomfattande och garanteras inte med avseende på dess noggrannhet och ska inte betraktas som en representation eller garanti , uttryckligt eller underförstått, när det gäller informationens noggrannhet eller fullständighet, och heller inte den bifogade informationen ska utgöra grunden för investeringsbeslut. Ingen del av detta material får reproduceras i någon form eller hänvisas till i någon annan publikation utan uttryckligt skriftligt tillstånd från Alpha Architect. Om författaren Mr Xu är för närvarande en ledande medlem av Alpha Architect, där han leder huvudmarknadsgruppen och bistår i kvantitativ forskning. Mr Xu har unika färdigheter i samband med stor dataanalys. Hans senaste forskning undersöker olika proprietära handelsalgoritmer, taktiska fördelningsmodeller och långsiktiga säkerhetsselektionsmodeller. Innan han gick med i Alpha Architect var Mr. Xu en huvuddataanalytiker vid Capital One där han var medlem i Basel II-dataanalyset. Mr Xu tog examen från Drexel University med en M. S. i ekonomi och från University of International Business and Economics i Peking, Kina, där han fick en BA i Economics. Autoregressive Moving-Average Simulation (första order) Demonstrationen är inställd så att samma slumpmässiga serie poäng används hur konstanterna är varierade. När kvoten kvotknappsknappen trycks in kommer en ny slumpmässig serie att genereras och användas. Genom att hålla slumpmässiga serien identiska kan användaren se exakt effekterna på ARMA-serien av förändringar i de två konstanterna. Konstanten är begränsad till (-1,1) eftersom divergensen av ARMA-serien resulterar när. Demonstrationen är endast för en första orderprocess. Ytterligare AR-villkor skulle möjliggöra att mer komplexa serier genereras, medan ytterligare MA-termer skulle öka utjämningen. För en detaljerad beskrivning av ARMA-processer, se exempelvis G. Box, G. M. Jenkins och G. Reinsel, tidsserieanalys: prognos och kontroll. Tredje ed. Englewood Cliffs, NJ: Prentice-Hall, 1994. RELATERADE LÄNKAR
No comments:
Post a Comment