Stabiliteten för att flytta genomsnittliga tekniska handelsregler på Dow Jones Index.1 Stabiliteten för att flytta genomsnittliga tekniska handelsregler på Dow Jones-indexet Blake LeBaron Brandeis University NBER Augusti 1999 Reviderad November 1999 Sammanfattning Detta dokument analyserar beteendet av att flytta genomsnittliga tekniska handelsregler tillämpas på över 100 år av Dow Jones Industrial Index. Det har visat sig att skillnaderna mellan villkorade medel under köp och försäljningsperioder har förändrats dramatiskt under de senaste 10 åren jämfört med de föregående 90 åren av data, men skillnader i villkorliga avvikelser har inte förändrats Mycket över hela provet Ytterligare robusthetskontroller indikerar att liknande resultat kan erhållas med enkla momentbaserade strategier. Analysen utförs på den faktiska Dow-serien, men dessa tekniker kan vara användbara på derivatmarknader där bättre uppskattningar av villkorliga medel och avvikelser skulle vara användbara information Graduate School of International Economics och Finans, Brandeis University, 415 South Street, Mailstop 021, Waltham, MA Blebaron Författaren är tacksam för två anonyma domare för kommentarer.2 1 Inledning Möjligheten att enkelt reglera för att förutsäga tillgångsprisrörelser eller teknisk analys har varit ett kontroversiellt ämne Under många år Även om det akademiska samhället i allmänhet har hållit tekniska analytiker i förakt har den senaste fascinationen med förutsägbarhet öppnat många av de gamla fallen mot teknisk analys snarare än att helt enkelt ignorera de regler som tekniker använde akademiker har noggrant granskat dem 1 Beviset verkar fortfarande Något otvivelaktigt om användbarheten av dessa regler men detta står i kontrast till de tidigare resultaten som föreslog att alla som följde dessa var mindre än rationellt motiverade. Den moderna litteraturen har gått framåt för att få fram mer noggranna tester och ekonometriska metoder. Introduktionen av bootstrap möjliggör testning av olika komplexa nullhypoteser för vilka anal Ytiska tillvägagångssätt skulle vara omöjligt. Det erbjuder också en möjlig metod för att justera för förspänningar som induceras av data-snooping. Till ekonometriken kan tekniska handelsregler ses som enbart en annan uppsättning momentbetingelser som antingen kan användas vid specifikationstestning eller i uppskattning 2 De spelar därför en dubbel roll som ett intressant beteende som kan ha ett visst praktiskt värde och som en databeskrivning som ekonomiska teoretiker bör vara medvetna om. I detta dokument granskas Dow Jones Industrials med avseende på enkla rörliga genomsnittsregler med hjälp av Dow Jones Industrials Brock Et al 1992 visade att glidande genomsnittliga tekniska handelsregler hade vissa förutsägbara förmågor i både villkorliga medel och avvikelser. Vidare visade de att dessa resultat var relativt stabila under sin 90-åriga provperiod. Sullivan, Timmerman White 1999 visade nyligen att medan det verkar osannolikt att dessa Regler snooped från det tidigare urvalet, deras prognoser prestanda över de senaste y öron har försvunnit Detta viktiga resultat väcker många allvarliga frågor om handelsregler och stationäriteten i finansiella tidsserier. I detta dokument undersöks hur dessa regler fungerar och jämför de senaste 10 åren till resten av seklet. När analyseras mot bakgrund av glidande genomsnittlig handel regler, vissa mycket intressanta likheter och skillnader framstår Detta dokument bekräftar och utökar resultaten i Sullivan et al 1999 Första analysen utförs på villkorliga avvikelser såväl som villkorliga medel För det andra utförs ytterligare robusthetskontroller tillsammans med vissa jämförelser med andra regler Specifikt tycks en enklare momentbaserad dynamisk strategi vara mycket lik de glidande medelreglerna. De tester som implementeras i detta dokument handlar bara om kontantmarknaden. Det finns emellertid en direkt 1 De tidigaste testerna kritiserar tekniska regler var i Fama Blume 1966 See Brock, Lakonishok LeBaron 1992 för en omfattande sammanfattning av litteraturen om tec Hnical trading För ett nytt exempel på några av de senaste bevisen, se Acar Satchell 1998 2 För ett exempel på den senare ser LeBaron 1992 1.3 effekter av dessa tekniker på olika derivatmarknader För det första kan förutsägbarhet påverkar alternativprissättning som i Lo Wang 1995 , är det uppenbart att en användbar prediktor för andra stunder kan ge bättre dynamiska handelsstrategier på optionsmarknader som i Engle Mustafa 1992 eller som ett värde vid riskuppskattningsverktyg. Den första delen beskriver århundraden lång serie av dagliga Dow data. Den andra delen ser ut vid olika åtgärder av villkorade medel under perioden före och efter 1986 Den tredje sektionen utför liknande test på villkorliga avvikelser. Den fjärde delen ger en viss robusthetskontroll av de tekniska handelsreglerna och visar att det är möjligt att även enklare regler kan ge liknande resultat. Slutgiltigt avsnitt avslutas och återkommer till frågorna om data snooping och datastationaritet i ljuset av denna nya ev Data 2 Data Den använda data kommer att vara den dagliga Dow Jones Industrials från januari 1897 till februari. Denna serie innehåller serien som används i Brock et al 1992, fortsätter BLL som en delmängd, men lägger till ytterligare 10 år efter deras stopppunkt i denna extra 10 år av data startade 1988 för att undvika uppstarten och kraschen 1987 som skulle ha en dramatisk inverkan på ett så kort prov. Den fullständiga serien omfattar totalt antal dagar. Den använda serien inkluderar inte utdelningar, så lite försiktighet bör tas i bruk Dessa serier i utvärdering av långdistansprestanda Eftersom det här dokumentet koncentrerar sig på beteendet av villkorliga medel och avvikelser ensam, skulle tillägget av den sammanlagda utdelningsprocessen troligen inte påverka resultaten mycket. Tabell 1 visar en viss sammanfattande statistik för dagliga avkastningar för flera av delproverna Som kommer att övervägas Returneras beräknas som loggskillnader, rt log pt log pt 1, 1 för alla fall som behandlas i detta papper Tabellen visar mycket lite ny information På för de som är bekanta med relativt högfrekventa tillgångsprisserier Det finns en stor mängd överskott av kurtos i alla delprover som är en vanlig egenskap En intressant egenskap som är lite ovanlig är den stora dagliga avkastningen som har inträffat under det senaste decenniet medan det är väl känt att Dow har stigit stadigt är det förvånande att den dagliga avkastningen är nästan 3 gånger genomsnittet under århundradet 2.4 3 Conditional Means Tabell 1 Sammanfattande statistik Feb Feb Mean Var Skewness Kurtosis I detta papper används vanligt tillämpad rörlig genomsnittlig teknisk handel regler för de flesta tester Dessa jämför priserna med ett glidande medelvärde av tidigare priser, mt 1 NN 1 i 0 P ti 2 Det finns många möjliga kombinationer av glidande medelvärden som används i praktiken, men detta papper kommer att koncentreras på en mycket enkel implementering A dag anses ha en köpsignal när P tmt, och en säljsignal när P tmt 3 Regeln tillämpas sedan på avkastningen från t till t 1 Villkor betyder en nd avvikelser kommer att beräknas under denna period och klassificeras som antingen köp eller sälja beroende på tid t-signalen En av de mest konsekventa reglerna är historiskt en som använder N 150 dagar Denna regel ensam kommer att användas Tidigare papper, Brock et al 1992 Och LeBaron 1998 har redan visat att det fungerar bra under många olika tidsperioder Vidare visar LeBaron 1998 att ett stort antal regler från N 50 till N 200 ger liknande resultat. Tabell 2 presenterar uppskattningar av den villkorliga genomsnittliga avkastningen under köp - och försäljningsperioder som anges av 150-dagars glidande medelregel Den första kolumnen, som heter Buy-Sell, rapporterar skillnaden mellan det villkorade genomsnittet från köp - och försäljningsperioderna. Den andra kolumnen, märkt Buy-All, rapporterar skillnaden mellan köpperiodens avkastning och den ovillkorliga genomsnittliga avkastningen över Det korrekta provet Sälj-Alla rapporterar en liknande uppskattning av försäljningsperioderna. Numren inom parentes är en enkel t-statistik som enligt nullhypotesen att Medel som är lika skulle fördelas N 0, 1 4 Numren i parentes simuleras p-värden från 1000 bootstrapsimuleringar av en slumpmässig promenad Denna metod genererar ny retur 3 Detta motsvarar ett av de regler som användes i Brock et al 1992 4 T-statistiken bildas som bsz 2 b N bs 2 Ns Liknande nummer används för köp-alla, sälj-alla fall Det finns flera problem med att använda ett enkelt t-test här. De underliggande avkastningarna fördelas normalt inte så att de Är endast giltiga asymptotiskt. Köpes-alla, Sälj-Alla mätningar baseras på prover med en stor uppsättning gemensamma värden. Dessa är långt ifrån oberoende drag. Uppstartspanelen anpassas för båda dessa problem 3,5-serien slumpmässigt ritad med ersättning från den faktiska avkastningen serie Från dessa simulerade tidsserier produceras en ny geometrisk slumpvis prisserie. Det gör det möjligt att testa en nullhypotes där avkastningen följer samma ovillkorliga fördelning som den faktiska avkastningen, men allt beroende av serien är dest royed 5 p-värdena rapporterar bråkdelen av bootstrapsimuleringar som ger värden som är lika stora som från originalprovet För hela provet och det tidigare undersamlet bekräftar resultaten de som BLL har. Köpmedelsmedlen är större och försäljningsperioden medel är mindre Detta innebär att alla tre åtgärder använder både t-statistiken och bootstrap p-värdena i det senare provet förändras resultaten dramatiskt. Inte bara är köpavkastningen inte längre betydligt större än försäljningsavkastningen, det är faktiskt mindre än både försäljningsavkastningen och det ovillkorliga medletet T-statistiken och bootstrap-p-värdena försäkra oss om att dessa förmodligen är obetydliga. Men faktum kvarstår att det inte längre finns en viktig skillnad i villkorliga medel över perioder. En slutlig skillnad över proverna anges i kolumnen märkt, Köp Fraction Detta rapporterar den fraktion av dagar som är märkta som en köpperiod enligt regeln Den dramatiska uppgången på aktiemarknaden i n den senare perioden representeras här av en stor ökning av köpperioderna. Det rör sig från 62 för hela provet till en dramatisk 81 i det sista undersökningsfältet. Detta tillsammans med den stora ökningen av genomsnittlig avkastning ger en indikation på att något ovanligt har gått på under de senaste 10 åren Tabell 2 Villkorliga medel Serie Köp Sälj Köp-Alla Sälj-Alla Köp Fraktion Feb 4 60 2 22 -3 10 0 00 0 00 1 00 4 73 2 36 -3 09 0 00 0 00 1 00 Feb -1 12 -0 37 0 922 0 84 0 80 0 15 Villkorlig genomsnittlig avkastning under köp - och försäljningsperioder med 150 dagars glidande medelregel Buy-Sell är skillnaden mellan köp och säljperiod betyder Köp-Allt och Sälj-Allt är Skillnader mellan köpperioden och det ovillkorliga medlet och försäljningsperioden och de ovillkorliga medelvärdena inom parentes är t-statistik på medelvärdena, och siffror i parentes representerar fraktionen av 1000 slumpmässiga gångstartstrapsimuleringar som genererar ett likvärdigt villkorligt medelvärde så stort som provet För att få en mer detaljerad bild av dynamiken i hur det villkorliga sättet förändras Figur 1 visar ett rullfönster av det enkla t-testet som utförts i tabell 2 Ett 5-årigt fönster flyttas över hela 5 Se Brock et al 1992 och LeBaron 1998 för finansiella applikationer En mycket bra sammanfattning för finansiering finns i Maddala Li 1996 Uppstartsmetoden beror på Efron 1979 och en användbar referens är Efron Tibshirani 1993 4,6 prov och Buy-Sell t-testet spelas in över varje fönster. Fönstret flyttas i halvårsskikt, så det finns en stor överlappning mellan windows Siffran är viktig för att presentera flera olika egenskaper hos data Först är det uppenbart att något ovanligt verkar hända under de senaste tidsperioderna Inte bara är medelskillnaden negativ, men den är för närvarande Registrering av värden som är historiskt små med tanke på de senaste 100 åren av data Det är också intressant att notera den relativa variationen i resultaten Värdena verkar ta långa gungor i det positiva a Nd-negativa regioner 4 Villkorliga variationer Resultat i BLL flyttas bortom villkorliga medel och testade villkorliga variationer Dessa kräver användning av bootstrap för att bestämma statistisk signifikans 6 Tabell 3 rapporterar förhållandena för de uppskattade avvikelserna under köp - och försäljningsperioder och i förhållande till alla Perioder Den första raden visar att förhållandet mellan avvikelserna mellan köp - och försäljningsperioder är endast 0 43, vilket indikerar att köpvariationen är mindre än hälften av variansen under försäljningsperioder. De två värdena under parentes är bootstrap p-värdena för två olika nollmodeller För det första upprepas den slumpmässiga promenad som gjord i det föregående avsnittet, eftersom villkorliga avvikelser nu är en viktig del av det som pågår, är en enkel GARCH 1,1-modell monterad på returserien Normaliserade resurser från Detta krypteras och används för att bygga representativa GARCH 1,1 data 7 Värdena på 1 indikerar att ingen av de simulerade modellerna kan generera ett variansförhållande så stor som Det i de data som gäller för alla tre variansförhållandena För Sälj allt förhållandet, kom ihåg att eftersom det här är ovanligt stort är det simulerade p-värdet nu noll, vilket indikerar att alla de simulerade värdena var mindre. Se över delproverna observeras ett liknande mönster Mest intressant är att i skarp kontrast till tabell 2 förändras skillnadsskillnaderna inte under de senaste 10-åren. Förhållandet mellan köpet och försäljningsavvikelserna är 0 51 under de senaste 10 år som ligger mycket nära det för Hela provet Simuleringarna indikerar återigen att skillnaderna är signifikanta. För villkorliga variationer har mönstret av lägre avvikelser under köpperioderna varit relativt konstant över hela provet, till skillnad från mönstret för villkorade medel. Tabell 4 upprepar resultaten från föregående tabell för absoluta avvikelser. Variansen ersätts nu med den förväntade absoluta avvikelsen, E rt E rt Detta beräknas med hjälp av lämpliga provmoment 6 Det är möjligt t hatttest för villkorliga variationer kunde ha utvecklats med hjälp av F-test-liknande objekt, men den dagliga avkastningsseriens icke-normalitet gör det omöjligt 7 GARCH-modeller som utvecklats av Bollerslev 1986 och relaterade till ARCH-modellerna av Engle 1982 används ofta för att finansiera modellrörelser i villkorliga variationer Bollerslev, Engle Nelson 1995 och Bollerslev, Chou, Jayaraman Kroner 1990 är användbara undersökningar av denna stora litteratur 5.7 Tabell 3 Villkorliga variansförhållanden Serie Köp Sälj Köp Alla Sälj Alla Feb GARCH bootstrap 1 00 1 00 0 00 GARCH bootstrap 1 00 1 00 0 00 Feb RW bootstrap 1 00 1 00 0 001 GARCH bootstrap 1 00 0 999 0 00 Köp Sälj visar förhållandet mellan de villkorliga avvikelserna under köp och försäljningsperioder Köp alla och Sälj alla är förhållandena med de ovillkorliga avvikelserna Numbers i parentes är, som märkt, slumpmässigt promenad och P-värden för GARCH 1,1 bootstraps, vilket ger en fraktion av 1000 simuleringar som genererar ett värde som är lika stort som i data under köp och försäljningsperioder T hans är en viktig robusthetskontroll för de tidigare resultaten. De kan ha drivits av några stora utjämnare som orsakar att vissa av variansberäkningarna blir mycket stora. Absoluta avvikelser är mindre känsliga för avvikare. Tabellen upprepar alla resultat för de villkorliga avvikelser exakt, vilket indikerar att avvikelser i något av delproverna troligen inte var orsaket. Tabell 4 Villkorlig medel Absolut avvikelse Serie Köp Sälj Köp Köp Sälj Mean GARCH bootstrap 1 00 1 00 0 00 GARCH bootstrap 1 00 1 00 0 00 Feb RW bootstrap 1 00 1 00 0 001 GARCH bootstrap 1 00 0 999 0 00 Köp Sälj visar förhållandet mellan de villkorade absoluta avvikelserna under köp och säljperioder Köp alla och Sälj alla är förhållandena med de ovillkorliga absoluta avvikelserna Nummer i parentes är, som märkta, slumpmässig promenad, och GARCH 1,1 bootstraps p-värden, vilket ger en fraktion av 1000 simuleringar som genererar ett värde som är så stort som i data. Förändringarna i villkorlig varians som rapporteras här är relaterade till den välkända hävstångseffekten som ursprungligen dokumenterades i svart 1976 8 Tabell 5 ger en snabb kontroll om huruvida handelsregelbaserad prognos endast tar upp information som kommer från föregående dag s höjning eller höst Tabellen rapporterar villkorliga avvikelser för t 1 båda för alla köp och sälj perioder och vidare villkor dessa på tecknet för föregående dag s återvändande Tabellen visar att konditionering på föregående dag s återvändande inte eliminerar skillnaden 8 Se även Nelson 1991 och Bollerslev et al 1995 för mer information och modellering tekniker 6.8 i volatilitet mellan köp och försäljningsperioder i antingen hela provet eller den senaste delperioden Det verkar som om det fortfarande finns någon inverkan från rt för antingen delmängd, men den är relativt liten. Även om det inte finns några statistiska tester här, tyder den här tabellen på att det rörliga genomsnittet ger mer information än det som kommer från föregående dag ensam i form av variansprognoser Tabell 5 Villkorliga Varianter Ser Ies rt Köp Varia Sälj Varianter Alla rtrt Feb Alla rtrt Varianter för rt 1 villkoras på teknisk signalkolumn och tecken på tidigare dagar tillbaka rad Både detta avsnitt och det föregående innebär att förutsägbarheten i avkastning kan användas i en dynamisk handelsstrategi Tabell 6 ger information om de ovillkorliga Sharpe-förhållandena från att följa flera enkla dynamiska strategier under de olika tidsperioderna. De presenterade siffrorna är årliga Sharpe-kvoter Sharpe 1994 Köp och håller följer en köp - och hållstrategi Köp Sälj tar en lång eller kort position beroende på om ett köp eller säljsignal 9 Köp motsvarar en strategi för köp under köpperioder och innehar en riskfri tillgång som tjänar en 3 procent avkastning under försäljningsperioder Sharpe-förhållandet beräknas med nollvariation under försäljningsperioderna Kolumnen märkt köp använder de ovillkorliga Daglig varians som variansberäkningen under köptiden, och kolumnen märkt buy buy variance använder den villkorliga Varians under köpperioder Denna senare åtgärd borde vara det verkliga Sharpe-förhållandet för denna strategi, men den andra åtgärden är användbar för jämförelse. Tabellen visar att strategin överträffar köp och håller, och det skulle bäst genomföras genom att endast aktivera Under köpperioder Slutligen har minskningen av villkorlig avvikelse under köpperioder påverkat Sharpe-förhållandet. Den andra raden visar att ingen av dessa resultat håller under de senaste 10 åren. Sharpe-förhållandena ligger faktiskt i ett intervall som kan vara intressant, men de är alla negativa enligt vad som anges köp de tidigare resultaten på villkorat sätt Tabell 6 Sharpe Ratios Series Köp och håll Köp Sälj Köp Köp Köp Varia Feb Detta görs huvudsakligen för jämförelse Det är osannolikt att denna strategi skulle ha varit genomförbar under mycket av tidsperioden sedan Det hade varit svårt att korta Dow 7.9 5 Momentum Strategies Det är uppenbart att den glidande genomsnittliga strategin inte letar efter något mer komplicerat mer än en enkel uthållighet i returserien. Detta kan vara en uthållighet som är svår att se med hjälp av traditionella autokorrelationer. 10 Ett något enklare tillvägagångssätt för att inrätta handelssignaler är att titta på avkastning under de senaste 150 dagarna i stället för att använda de glidande genomsnittliga prisjämförelserna 11 Tabell 7 visar resultaten för en 150 dagars momentstrategi tillsammans med den glidande genomsnittliga strategin. Denna strategi registrerar ett köp vid tid t, om Pt P t 150 och en säljer annars. För hela provet är de två strategierna påfallande nära varandra andra Under den senaste delperioden reverserar dynamikstrategin tecken liksom det rörliga genomsnittet, men det är faktiskt signifikant negativt för köpsförsäljningsskillnaden. Tabell 7 Förhållande medel Momentum Jämförelse Serie Metod Köp-Sälj Köp-Allt Sälj-Allt Feb Flyttande Medel 4 60 2 22 -3 10 Momentum 4 21 2 04 -2 86 Feb Förflyttning Genomsnitt -1 12 -0 37 0 922 Momentum -2 55 -0 73 2 18 Förutsatt genomsnittlig avkastning under köp och försäljningsperioder med 150 dagars rörelse ng genomsnitt och momentum regler Buy-Sell är skillnaden mellan köp och säljperiod betyder Köp-All och Sälj-Alla är skillnaderna mellan köpperioden och det ovillkorliga medlet, och försäljningsperioden och de ovillkorliga medelvärdena inom parentes är t - Statistik över medel Tabell 8 upprepar resultaten för villkorliga avvikelser med användning av momentumkonditioneringsinformationen Denna tabell visar att det är liten förändring från den glidande genomsnittliga strategin till momentumstrategin. Till exempel går försäljningsförhållandet från 0 43 för glidande medelvärdet till 0 44 för momentummåttet över hela provet Liknande egenskaper ges för de övriga åtgärderna och båda delperioderna verkar vara ganska lika. Dessa resultat tyder på att dessa två tekniska regler kan vara mycket lika i praktiken och det finns inget särskilt speciellt eller viktig om den glidande genomsnittliga representationen Detta är relaterat till de mer känsliga testerna för slumpmässigt gångbeteende som utvecklats i Lo MacKinlay 1988. processer med dessa egenskaper har modellerats av Taylor 1992 och LeBaron 1992 11 Acar 1993 visar hur man kartlägger tekniska regler från prisutrymme till returrummet. Den rörliga genomsnittliga regeln kan formuleras som en viktad summa av tidigare avkastning, men momentumstrategin är enkel summan av tidigare avkastning Det är ett intressant experiment för att se om denna regel tar upp något annat än de glidande medelreglerna. Se även Chan, Jegadeesh Lakonishok 1996 och Jegadeesh Titman 1993 för exempel från returkorsningar 12. Dessa resultat är förenliga med resultaten i Acar Lequeux 1996 som finner att även för en slumpmässig promenad är korrelationen mellan en glidande medel - och momentumstrategi.10 Tabell 8 Villkorlig varians Momentum Jämförelse Serie Metod Köp Sälj Köp Medel Sälj-Medel Feb Flyttande Genomsnitt GARCH Startsteg 1 00 1 00 0 00 Feb Momentum GARCH bootstrap 1 000 1 00 0 000 Feb Flyttande Genomsnitt GARCH bootstrap 1 00 1 00 0 00 Feb Momentum GARCH bootstrap 1 00 0 99 0 00 Köp Sälj visar råttan io av de villkorliga avvikelserna under köp - och försäljningsperioder med hjälp av 150-dags-momentstrategin. Köp alla och Sälj alla är förhållandena med de ovillkorliga variationerna. Nummer i parentes är, som märkta, slumpmässig promenad och GARCH 1,1 bootstraps p-värden, vilket ger en fraktion av 1000 simuleringar som genererar ett värde som är så stort som i data 6 Slutsatser Detta papper är en kort uppföljning till Brock et al 1992, som undersöker vad som har hänt med några av de strategier de använde under de mellanliggande åren. Andra forskare har redan visat dramatiska ändringar i villkorliga medel och de upprepas här I det här pappret utförs ytterligare diagnostik genom att kontrollera variansförhållandet Till skillnad från de medel som verkar vara ganska konsekventa över tid och robust att använda absolutvärdesvolatilitetsåtgärder Slutligen visar det sig att många liknande resultat kan erhållas med hjälp av en enkel strategi för handelsströmmar. På den praktiska sidan av att använda handelsregler visar det här dokumentet att de använder sig av Prognos villkorliga medel kan vara mycket farliga på den nuvarande marknaden Denna fara är utöver de vanliga problemen med transaktionskostnader och problem relaterade till att faktiskt implementera en strategi Men det är fortfarande att se om strategins volatilitet förutsäger möjligheter kan erbjuda en kant i antingen handelsalternativ eller riskhantering I det här dokumentet föreslås att en sådan studie kan vara mycket intressant, med tanke på att förutsägbar varians förutsägbarhet är robust över tidsperioderna Figur 1 gör en dramatisk visuell punkt om stabiliteten i tekniska handelsregler Det öppnar djupa filosofiska frågor om data snooping och stationaritet Har något om aktiekursens dynamik förändrats under de senaste 10 åren eller var den ursprungliga trenden som följde efter strategin minskade från de senaste 90 års data Resultaten i Sullivan et al 1999 föreslår att det var en förändring i data, eftersom deras test försöker justera för datautvinning i föregående prov. Inget test för data mi ning är perfekt, 9,11 som det beror på att simulera snoopingprocessen som kunde ha inträffat. Inga formella tester kan utföras för att svara på denna fråga, men figur 1 tillsammans med några historiska fakta om teknisk handel som gavs i BLL verkar för att försvara slutsatserna Av Sullivan et al 1999 BLL var försiktig med att använda regler som hade funnits i den tekniska handelsgruppen under en tid och försökte inte utföra någon extra parameter som stämde över sina prover. Några av dessa regler har använts sedan början av Århundradet Med tanke på att de inte var inställda på det föregående 90-åriga provet, har resultaten under de senaste 10 åren varit ännu mer intressanta. Detta godtyckliga drag hos data har förändrats dramatiskt och i det här sammanhanget ser det omöjligt ut att de senaste 10 åren kan vara en Rita från vilken som helst tioårsperiod i 90 års historia 13 Även om det är omöjligt att någonsin helt undvika problem med data snooping, tyder resultaten här på att något har förändrats drama atiskt Ett slutresultat av denna korta studie tyder på att de regler som användes i Brock et al 1992 kunde ha ersatts med enklare. Enkla momentbaserade strategier visar liknande prestanda med hjälp av båda förutsägbara åtgärder. Enkelhet och parsimoni är lika mycket dygd för teknisk Handelsregler som det är för andra mer traditionella tidsserier, så det är viktigt att se att en enklare regel kan ha gjort lika bra. Många tekniska regler använder många mer komplexa kombinationer av rörliga medelmönster och det skulle vara intressant att ta reda på vad mervärdet av dessa är Men i den icke-stationära världen som föreslagits av dessa resultat kan robusthet vara en mycket större dygd än vad som tidigare trodde. 14 Resultaten rapporterade i Brock et al 1992 har tydligt förändrats de senaste åren. Men deras resultat på förutsäga villkorade variansen förblir stabil Orsakerna till den första förändringen förblir en intressant öppen fråga De kan ha att göra med teknik, bette r prisinformation och lägre transaktionskostnader eller eventuellt större uppmärksamhet ges nu till tekniska handelsregler. I samtliga fall ger förändringarna i lönsamheten för dessa dynamiska strategier en viktig information om hur marknaderna fungerar. Om handlare verkligen har handlat vinsten bort, då skulle en intressant studie vara att titta på volatilitetssidan av bilden i ett liknande ljus. Finns det en dynamisk strategi som skulle driva de villkorliga avvikelserna mot varandra. Det här är en mycket mer komplicerad fråga än för medel, men det skulle vara en väldigt intressant fråga att svara 13 Kom ihåg att data snooping mot detta skulle vara att reglerna stämdes över 90 års tidigare historia för att maximera den villkorliga köp-försäljningsskillnaden I det här fallet är det inte så fantastiskt att de senaste 10 åren Se annorlunda ut 14 Se Bookstaber 1999 för exempel på robusthet och kursbeslutsregler i ekonomi 10.12 Referenser Acar, E 1993, Ekonomisk utvärdering av Fina Ncial Forecasting, doktorsavhandling, City University Business School, London, Storbritannien Acar, E Lequeux, P 1996, Dynamiska strategier, en korrelationsstudie i C Dunis, ed Prognoser för finansmarknaderna, Wiley, pp Acar, E Satchell, S 1998, Advanced Handelsregler, Butterworth-Heinemann, Oxford, UK Black, F 1976, Studier av volatilitetsförändringar i börskurs, Förhandlingar från American Statistical Association, Företagsekonomiska statistikavdelningen Bollerslev, T 1986, Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics 21, Bollerslev , T Chou, RY Jayaraman, N Kroner, KF 1990, ARCH-modellering i ekonomi En översyn av teorin och empiriska bevis, Journal of Econometrics 52 1, Bollerslev, T Engle, RF Nelson, DB 1995, ARCH-modeller, i Handbook of Econometrics , Vol 4, Nordholland, New York, NY Bookstaber, R 1999, Riskhantering i komplexa organisationer, Financial Analysts Journal 55 2, Brock, WA Lakonishok, J LeBaron, B 1992, enkla tekniska handelsregler och De stokastiska egenskaperna hos aktieavkastningen, Journal of Finance 47, Chan, LKC Jegadeesh, N Lakonishok, J 1996, Momentumstrategier, Journal of Finance 51, Efron, B 1979, Bootstrap Methods En annan titt på Jackknife, Annals of Statistics 7, Efron, B Tibshirani, R 1993, En introduktion till Bootstrap, Chapman och Hall, New York Engle, RF 1982, Autoregressiv villkorlig heteroskedasticitet med uppskattningar av variationen i Storbritanniens inflation, Econometrica 50, Engle, RF Mustafa, 1992, implicit ARCH-modeller från optionspriser, Journal of Econometrics 52,13 Fama, EF Blume, M 1966, Filterregler och aktiemarknadsvinster, Journal of Business 39, Jegadeesh, N Titman, S 1993, Återgår till att köpa vinnare och sälja förlorare. Inverkan på aktiemarknaden Effektivitet, Journal of Finance 48, LeBaron, B 1992, Göra rörliga genomsnittliga handelsregelresultat innebär olinjäriteter på valutamarknader Teknisk rapport, University of Wisconsin - Madison, Madison, Wisconsin LeB Aron, B 1998, Tekniska handelsregler och reglerskift i utländsk valuta, i E Acar S Satchell, eds, Advanced Trading Rules, Butterworth-Heinemann, pp Lo, AW MacKinlay, AC 1988, Aktiekurserna följer inte slumpmässiga promenader Bevis från en Enkelt specifikationstest, Granskning av finansiella studier 1, Lo, AW Wang, J 1995, Implementering av optionsprissättningsmodeller när tillgångar är förutsägbara, Journal of Finance 50, Maddala, GS Li, H 1996, Bootstrap-baserade tester i finansiella modeller, i GS Maddala CR Rao, eds, Handbok för statistik, Vol 14, Nord-Holland, Amsterdam, pp Nelson, DB 1991, Villkorlig heteroskedasticitet i tillgångsavkastning. Ett nytt tillvägagångssätt, Econometrica 59, Sharpe, WA 1994, Sharpe-förhållandet, Journal of Portfolio Management pp Sullivan, R Timmerman, En White, H 1999, Data-snooping, Teknisk handel regelprestanda och bootstrap, Journal of Finance 54, Taylor, SJ 1992, Belöningar tillgängliga för valutaterminer spekulanter Kompensation för risk eller bevis för ineffektiva pr isbildning Ekonomisk rekord 68.14 T-test Köp säljår Figur 1 Rolling T-test Köp-säljskillnad, 5-årigt rullande fönster 13.Golden Crosses Bibeln. Jag frågade min vän Pete från Trade With Pete att göra gästpost för mig på Golden Crosses Pete gör mycket tekniskt arbete på sin blogg som handlar om ämnet och det finns en enorm mängd kontroverser kring huruvida de är viktiga att vara uppmärksamma på att kontrollera denna dåliga pojke ut JB. History of the 50- och 200-day moving Genomsnittliga crossover. Traders och finansiella kommentatorer refererar ofta till gyllene kors - och dödskorsmönstren som ses på prisdiagram. Till exempel. Gyllene korset och dödskorset. Korset refererar till två enkla glidande medelvärden som korsar varandra. Ett gyllene kors anses vara ett 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. One 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. Since then, technicians have popularized the use of various moving averages During the 1970s, Stan Weinstein s Secrets for Profiting in Bull and Bear Markets was a big seller He wrote. All 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 wilder do not throw off your market perspective Over the years, I ve 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. John Murphy, the famous CNBC analyst from the 1990s, wrote in The Visual Investor. Two 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. The use of moving averages became so common that they are mentioned in the McGraw-Hill Investor s 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 S tochastic Properties Of Stock Returns researchers Brock, Lakonishok and LeBaron tested two of the simplest and most popular trading rules moving average and trading range break by 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 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 cro sses 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 use the golden and death crosses as filters to help narrow the field of ticker symbols for further sentiment and price action analysis. The stability of moving average technical trading rules on. By Blake Lebaron. This paper analyzes the behavior of moving average technical trading rules applied to over 100 years of the Dow Jones Industrial I ndex 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.
No comments:
Post a Comment