Estratégia de negociação de impulso de séries temporais

Efeito Momentum da Série de Tempo.
Momento transversal tradicional é uma anomalia popular e muito bem documentada. O impulso tradicional usa um universo de recursos para escolher vencedores do passado, e prevê que esses vencedores continuarão a superar seus pares no futuro também. No entanto, pesquisas acadêmicas recentes mostram que não precisamos de todo o universo de ativos para explorar o efeito momentum. Uma nova versão desta anomalia (Time Series Momentum) mostra que o retorno anterior de cada segurança (ou ativo) é um futuro preditor. O excesso de 12 meses de retorno de cada instrumento é um preditor positivo de seu retorno futuro. Um portfólio diversificado de dinâmica de séries temporais em todos os ativos é notavelmente estável e robusto, gerando um alto índice de Sharpe com pouca correlação com benchmarks passivos. Uma vantagem adicional é que os retornos de momentum das séries temporais parecem ser maiores quando os retornos do mercado de ações são mais extremos; Portanto, o impulso das séries temporais pode ser um hedge para eventos extremos.
Razão fundamental.
A pesquisa acadêmica afirma que o efeito momentum da série temporal é consistente com as teorias comportamentais dos investidores. in-reação inicial e sobre-reação antecipada aplicada à disseminação da informação.
Estratégia de negociação simples.
O universo de investimento consiste em 24 futuros de commodities, 12 pares de moeda cruzada (com 9 moedas subjacentes), 9 índices de ações desenvolvidos e 13 futuros de obrigações governamentais desenvolvidos.
Papel Fonte.
Moskowitz, Ooi, Pedersen: Time Series Momentum.
Nós documentamos o significativo "impulso da série de tempo" nos futuros do índice de ações, moeda, commodities e obrigações para cada um dos 58 instrumentos líquidos que consideramos. Encontramos persistência nos retornos de 1 a 12 meses que se invertem parcialmente em horizontes mais longos, consistentes com as teorias de sentimentos sobre a sub-reação inicial e a reação excessiva. Um portfólio diversificado de estratégias de impulso de séries temporais em todas as classes de ativos oferece retornos anormais substanciais com pouca exposição a fatores padrão de preços de ativos e funciona melhor em mercados extremos. Mostramos que os retornos ao impulso das séries temporais estão intimamente ligados às atividades de negociação de especuladores e hedgers, onde os especuladores parecem se beneficiar com isso em detrimento dos hedgers.
Outros documentos.
Baltas, Kosowski: Trend-following e Momentum Strategies in Futures Markets.
A construção de uma estratégia de impulso de séries temporais envolve a agregação ajustada pela volatilidade de estratégias univariadas e, portanto, depende muito da eficiência do estimador de volatilidade e da qualidade do sinal de negociação momentum. Usando um conjunto de dados com cotações intra-dia de 12 contratos de futuros de novembro de 1999 a outubro de 2009, investigamos essas dependências e sua relação com a lucratividade do momento e atingimos uma série de descobertas novas. Primeiro, os sinais de negociação de impulso gerados ao ajustar uma tendência linear no caminho do preço dos ativos maximizam o desempenho fora da amostra, ao mesmo tempo em que minimizam o roteamento da carteira, dominando, portanto, o sinal de troca de impulso ordinário na literatura, o sinal do retorno passado. Em segundo lugar, os resultados mostram fortes padrões de momentum na freqüência mensal de reequilíbrio, padrões de impulso relativamente fortes na frequência semanal e padrões de momentum relativamente fracos na frequência diária. De fato, efeitos significativos de reversão são documentados no horizonte de curtíssimo prazo. Finalmente, no que se refere à agregação ajustada de volatilidade de estratégias univariadas, o estimador da gama Yang-Zhang constitui a escolha ideal para a estimativa de volatilidade em termos de maximização da eficiência e minimização do viés e do roteamento ex post da carteira.
A construção de uma estratégia de impulso de séries temporais envolve a agregação ajustada por volatilidade de estratégias uniféricas e, portanto, depende muito da eficiência do estimador de volatilidade e da qualidade do sinal de negociação momentum. Usando um conjunto de dados com cotações diárias de 12 contratos futuros de novembro de 1999 a outubro de 2009, investigamos essas dependências e sua relação com a rentabilidade do momentum das séries temporais e alcançamos uma série de novas descobertas. Sinais de negociação de momentum gerados pela adequação de uma tendência linear na trajetória de preço dos ativos maximizam o desempenho fora da amostra e minimizam o giro da carteira, dominando assim o sinal de negociação de momentum comum na literatura, o sinal do retorno passado. Em relação à agregação ajustada de volatilidade de estratégias univariadas, o estimador da gama Yang-Zhang constitui a escolha ideal para a estimativa de volatilidade em termos de maximização da eficiência e minimização do viés e do roteamento ex post da carteira.
Neste trabalho, estudamos estratégias de impulso de séries temporais em mercados de futuros e sua relação com conselheiros de negociação de commodities (CTAs). Em primeiro lugar, construímos um dos conjuntos mais abrangentes de carteiras de impulso da série temporal, estendendo os estudos existentes em três dimensões: séries temporais (1974-2002), seção transversal (71 contratos) e domínio de freqüência (mensal, semanal, diariamente) . Nossas estratégias de impulso timeseries atingem os índices de Sharpe acima de 1,20 e fornecem importantes benefícios de diversificação devido ao seu comportamento anticíclico. Achamos que as estratégias mensais, semanais e diárias exibem baixa correlação cruzada, o que indica que eles capturam fenômenos de continuação de retorno distintos. Em segundo lugar, fornecemos provas de que os CTAs seguem as estratégias de impulso das séries temporais, mostrando que as estratégias de impulso das séries temporais possuem alto poder explicativo nas séries temporais dos retornos do CTA. Terceiro, com base nesse resultado, investigamos se existem restrições de capacidade em estratégias de momentum de séries temporais, executando regressões preditivas do desempenho da estratégia de momentum em fluxos de capital atrasados ​​na indústria de CTA. De acordo com a visão de que os mercados de futuros são relativamente líquidos, não encontramos evidências de restrições de capacidade e esse resultado é robusto para diferentes classes de ativos. Nossos resultados têm implicações importantes para estudos de hedge funds e investidores.
Estudamos o desempenho do investimento de tendência nos mercados globais desde 1903, ampliando a evidência existente em mais de 80 anos. Nós mostramos que essa tendência - a seguir apresentou fortes retornos positivos e percebeu uma baixa correlação com as classes de ativos tradicionais de cada década há mais de um século. Analisamos os retornos que seguem as tendências em vários ambientes econômicos e destacamos os benefícios de diversificação que a estratégia historicamente forneceu nos mercados de baixa e baixa renda. Por fim, avaliamos o ambiente recente para a estratégia no contexto desses resultados de longo prazo.
As variações de várias estratégias de impulso são examinadas em uma configuração de alocação de ativos, bem como para um conjunto de carteiras da indústria. Modelos simples de retornos de impulso são considerados. A diferença entre o momento da série de tempo e o impulso transversal, com especial atenção às fontes de lucro para cada um, é esclarecido tanto teoricamente como empiricamente. Os motivos teóricos e empíricos para a eficácia da ponderação da volatilidade são fornecidos e a relação de impulso com dispersão e volatilidade em seção transversal é examinada.
Mostramos que a rentabilidade das estratégias de impulso das séries temporais sobre futuros de commodities em toda a história é fortemente sensível ao dia de início. Usando retornos diários com períodos de formação de 252 dias e períodos de espera de 21 dias, o índice de Sharpe depende de se um começar no primeiro dia, no segundo dia, e assim por diante, até o vigésimo primeiro dia. Essa sensibilidade é maior para períodos de negociação mais curtos. Os mesmos resultados também ocorrem na simulação de retornos independentes e identicamente lognormalmente distribuídos, mostrando que este não é apenas um padrão empírico, mas uma questão fundamental com as estratégias de impulso. Os gerentes de portfólio devem estar cientes desse risco latente: começar a negociar a mesma estratégia no mesmo subjacente, mas um dia depois, mesmo depois de muitas décadas, transformar uma estratégia bem-sucedida em uma mal sucedida.
Mostramos que os retornos dos fundos de futuros gerenciados e dos CTAs podem ser explicados por estratégias simples de tendências, especificamente, estratégias temporárias em séries temporais. Discutimos a intuição econômica por trás dessas estratégias, incluindo as fontes potenciais de lucro devido à reação inicial e à reação excessiva às notícias. Mostramos empiricamente que essas estratégias seguindo as tendências explicam os retornos dos futuros administrados. Na verdade, as estratégias de impulso das séries temporais produzem grandes correlações e altos quadrados R com índices de Futuros Gerenciados e retornos de gerente individuais, incluindo os gerentes maiores e mais bem-sucedidos. Enquanto os maiores gerentes de Futuros Gerenciados perceberam alfas significativos para benchmarks tradicionais de longa duração, o controle de estratégias de momentum de séries temporais leva seus alfas a zero. Finalmente, consideramos uma série de questões de implementação relevantes para estratégias de impulso de séries temporais, incluindo gerenciamento de riscos, alocação de risco em classes de ativos e horizontes de tendências, freqüência de reequilíbrio de portfólio, custos de transação e taxas.
Em um modelo de equilíbrio com investidores informados racionalmente e investidores técnicos, mostramos que a média móvel dos preços do mercado passado pode prever o preço futuro, explicando o forte poder preditivo encontrado em muitos estudos empíricos. Nosso modelo também pode explicar o impulso da série de tempo de que os preços de mercado tendem a ser positivamente correlacionados no curto prazo e negativamente correlacionados no longo prazo.
Após grandes retornos positivos em 2008, os CTAs receberam maior atenção e alocações de investidores institucionais. O desempenho subsequente foi inferior à sua média a longo prazo. Isso ocorreu em um período após a maior crise financeira desde a grande depressão. Neste artigo, usando quase um século de dados, investigamos o que normalmente acontece com a estratégia central seguida por esses fundos em crises financeiras globais. Também examinamos o comportamento das séries temporais dos mercados negociados por CTAs durante esses períodos de crise. Nossos resultados mostram que, em um período prolongado após a crise financeira, a tendência após a retomada média é inferior à metade daqueles obtidos em períodos sem crise. A evidência de crises regionais mostra um padrão semelhante. Também descobrimos que os mercados de futuros não exibem a previsibilidade de retorno de séries temporais forte prevalecente em períodos de ausência de crise, resultando em retornos relativamente fracos para tendências seguindo estratégias nos quatro anos imediatamente seguintes ao início de uma crise financeira.
Apresentamos uma nova classe de estratégias de impulso que se baseiam nas médias de longo prazo dos retornos ajustados ao risco e testar essas estratégias em um universo de 64 contratos de futuros líquidos. Mostramos que esta estratégia de momentum ajustada ao risco supera a estratégia de momentum de séries temporais de Ooi, Moskowitz e Pedersen (2012) para quase todas as combinações de períodos de hold-and-back. Nós construímos medidas de volatilidade (risco) específicos de impulso (tanto dentro como entre classes de ativos) e mostramos que essas medidas de volatilidade podem ser usadas tanto para gerenciamento de risco como para o tempo de impulso. Descobrimos que a gestão do risco de impulso aumenta significativamente os índices de Sharpe, mas, ao mesmo tempo, leva a uma inclinação negativa mais acentuada e ao risco da cauda; ao contrário, combinando gerenciamento de riscos com o momento momentâneo elimina praticamente a afinidade negativa dos retornos de impulso e reduz significativamente o risco de cauda. Além disso, o gerenciamento do risco de impulso leva a uma exposição muito menor aos fatores de mercado, valor e momentum. Como resultado, o impulso gerido por risco retorna oferece benefícios de diversificação muito maiores do que o impulso padrão retorna.
Examinamos a relação entre os retornos das tendências seguidas eo risco macroeconômico. Nossos resultados demonstram que os fatores macroeconômicos têm uma relação estatisticamente significativa com as tendências seguidas, quando permitimos as exposições dinâmicas da estratégia. Descobrimos que este tempo variando a exposição ao risco permite que a tendência a seguir gere retornos positivos em uma ampla gama de ciclos de títulos e mercados acionários. Pesquisas anteriores documentaram que a maioria dos retornos de impulso de seção transversal derivam de exposições de risco macroeconômico. No entanto, o mesmo não é verdade para seguir a tendência em que pelo menos metade do desempenho vem dos componentes inexplicados dos retornos de futuros. Quando relacionamos o desempenho com a volatilidade condicional das variáveis ​​macroeconômicas, nossos resultados mostram que a evolução da tendência gera maiores retornos nos períodos em que a incerteza econômica é baixa.
Analisamos as diferenças entre as estratégias baseadas no passado que diferem no condicionamento dos retornos passados ​​em excesso de zero (estratégia de séries temporais, TS) e retornos passados ​​em excesso da média transversal (estratégia transversal, CS). Achamos que a diferença de retorno entre essas duas estratégias deve-se principalmente a posições longas que variam no tempo que a estratégia TS assume no mercado agregado e, conseqüentemente, não tem implicações para o comportamento dos preços individuais dos ativos. No entanto, as estratégias TS e CS baseadas em índices financeiros como preditores às vezes são diferentes devido à seleção de ativos.
Os fundos de futuros geridos (por vezes denominados CTAs) comercializam predominantemente em tendências. Existem várias maneiras de identificar as tendências, quer usando heurísticas ou medidas estatísticas, muitas vezes chamadas de "filtros". Duas medidas estatísticas importantes das tendências de preços são o impulso das séries temporais e os cruzamentos médios móveis. Mostramos empiricamente e teoricamente que esses indicadores de tendência estão intimamente conectados. Na verdade, eles são representações equivalentes em suas formas mais gerais, e eles também capturam muitos outros tipos de filtros, como o filtro HP, o filtro Kalman e todos os outros filtros lineares. Além disso, mostramos como os filtros de tendência podem ser equivalentemente representados como funções de preços passados ​​versus retornos passados. Nossos resultados unificam e ampliam uma série de estratégias de tendências e discutimos as implicações para os investidores.
Usando um conjunto de dados de 67 índices de equivalência patrimonial de 1969 a 2013, este estudo documenta um significativo impulso da série de tempo em todo o mercado internacional de ações e commodities. Este documento documenta ainda que os fundos de investimento internacionais tendem a comprar instrumentos que tenham tido bons resultados nos últimos meses, mas eles não vendem sistematicamente aqueles que apresentaram desempenho fraco nos mesmos períodos. Nós também descobrimos que um portfólio diversificado de curto prazo ganha os maiores lucros em condições extremas de mercado, mas as intervenções de mercado dos bancos centrais nos últimos anos parecem desafiar o desempenho dessas carteiras.
O objetivo deste artigo é, portanto, estudar essa ineficiência dentro das estratégias de temporização da série temporal (TSMOM) introduzidas em um artigo importante de Moscowitz, Ooi e Pedersen [2012]. Para tanto, introduzimos uma nova classe de estratégias de momentum, estratégias momentum ajustadas ao risco (RAMOM), baseadas em médias de retornos de futuros passados, normalizadas por sua volatilidade. Testamos essas estratégias em um universo de 64 contratos de futuros líquidos e demonstramos que as estratégias RAMOM superam as estratégias TSMOM de Moscowitz, Ooi e Pedersen [2012] para estratégias de momentum de curto, médio e longo prazos. Além disso, os sinais comerciais RAMOM possuem outra característica útil e importante: são, naturalmente, menos dependentes da alta volatilidade. Em outras palavras, as estratégias TSMOM padrão tendem a se correlacionar positivamente (ver, por exemplo, Hurst et al. [2013]) com uma posição de longo alcance (longa chamada, longa colocação) e, como resultado, melhor desempenho no mercado volátil ambientes. Como mostramos, isso é muito menos o caso dos retornos RAMOM porque, ao ajustar os sinais de negociação de acordo com a volatilidade, nós renderizamos RAMOM retorna mais sensível a novas informações precisamente no momento em que a volatilidade é baixa. Como resultado, o desempenho superior do RAMOM em relação ao TSMOM tende a estar negativamente relacionado à volatilidade.
As estratégias de tendência seguem posições longas em ativos com retornos passivos positivos e posições curtas em ativos com retornos passados ​​negativos. Eles geralmente são construídos usando contratos de futuros em todas as classes de ativos, com pesos inversamente proporcionais à volatilidade e historicamente exibiram excelentes recursos de diversificação, especialmente durante as recessões dramáticas do mercado. No entanto, após um desempenho impressionante em 2008, a estratégia de tendência não gerou retornos fortes no período pós-crise, 2009-2013. Este período caracterizou-se por um grande grau de co-movimento, mesmo em classes de ativos, com o universo investido sendo dividido aproximadamente nas sub-classes denominadas Risk-On e Risk-Off. Examinamos se o esquema de ponderação da volatilidade inversa, que efetivamente ignora as correlações em pares, pode se tornar subóptimo em um ambiente de correlações crescentes. Ao estender a alocação de risco-paridade de risco (contribuição de risco equivalente), construímos uma estratégia de tendência longa e curta que faz uso de princípios de paridade de risco. Não só melhoramos significativamente o desempenho da estratégia, mas também mostramos que esse aprimoramento é impulsionado principalmente pelo desempenho do esquema de ponderação mais sofisticado em regimes de correlação média extremos.
Moskowitz, Ooi e Pedersen (2012) mostram que o impulso da série temporal oferece um alfa grande e significativo para uma carteira diversificada de vários contratos de futuros internacionais no período de 1985 a 2009. Apesar de confirmarmos esses resultados com dados semelhantes, concluímos que seus resultados são impulsionados pelos retornos escalonados pela volatilidade (ou pela chamada abordagem de paridade de risco para alocação de ativos) e não pelo momento da série temporal. O alfa dos retornos mensais do momento da série temporal cai de 1,27% com pesos variáveis ​​de volatilidade para 0,41% sem escala de volatilidade, o que é significativamente menor do que o impulso transversal alfa de 0,95%. Usando posições com volatilidade, o retorno cumulativo de uma estratégia de momentum da série temporal é maior do que a estratégia de compra e retenção; No entanto, timeseriesmomentuman buy-and-hold oferece retornos cumulativos similares se não forem dimensionados por volatilidade. O desempenho superior da estratégia de impulso da série temporal também desaparece no período pós-crise mais recente de 2009 a 2013.
Embora se saiba muito sobre a financeirização das commodities, sabe-se menos sobre como investir lucrativamente em commodities. Os estudos existentes de Commodity Trading Advisors (CTAs) não abordam adequadamente esta questão porque apenas 19% dos CTAs investem exclusivamente em commodities, apesar do seu nome. Comparamos um modelo inovador de preços de ativos de quatro fator com os benchmarks existentes usados ​​para avaliar CTAs. Somente nosso modelo de quatro fator preços tanto commodity spot e prémio de risco de longo prazo. Em geral, nossos prémios de risco de commodities de preços modelo de quatro fatos melhor do que os prémios de risco de equidade de preços de modelos de fator de Fama-French e, portanto, é um ponto de referência apropriado para avaliar veículos de investimento em commodities.
Nos últimos 20 anos, o impulso ou a tendência seguindo as estratégias tornaram-se uma parte estabelecida da caixa de ferramentas do investidor. Apresentamos uma nova maneira de analisar as estratégias de impulso, observando o índice de informação (IR, retorno médio dividido pelo desvio padrão). Calculamos o IR teórico de uma estratégia de impulso e mostramos que se o impulso se deve principalmente à autocorrelação positiva nos retornos, o IR como função do período de formação do portfólio (look-back) é muito diferente do impulso devido à deriva (média Retorna). O IR mostra que, para períodos de aparência de alguns meses, é mais provável que o investidor aproveite a autocorrelação. No entanto, para períodos de observação mais próximos de 1 ano, o investidor é mais provável que aproveite a deriva. Comparamos os dados históricos com o IR teórico ao construir períodos estacionários. O estudo empírico conclui que há períodos / regimes onde a autocorrelação é mais importante do que a deriva na explicação do IR (particularmente antes de 1975) e outros onde a deriva é mais importante (principalmente após 1975). Concluímos nosso estudo, aplicando nossa estratégia de impulso para mais de 100 anos da Dow-Jones Industrial Average. Relatamos oscilações amortecidas no IR para períodos de aparência de vários anos e modelamos essas oscilações como uma inversão da taxa de crescimento médio.
Estudamos as estratégias de tendências temporárias (tendência-seguindo) em títulos, commodities, moedas e índices patrimoniais entre 1960 e 2015. Achamos que as estratégias de impulso foram consistentes tanto antes quanto depois de 1985, períodos marcados por fortes mercados urso e touro em títulos respectivamente. Nós documentamos uma série de propriedades de risco importantes. Em primeiro lugar, os retornos são positivamente distorcidos, o que argumentamos ser intuitivo, traçando um paralelo entre as estratégias de momentum e uma longa estratégia straddle de opções. Em segundo lugar, o desempenho foi particularmente forte nos piores ambientes de mercado de títulos e títulos, dando credibilidade à alegação de que a tendência-seguimento pode fornecer alfa de alíquota e equity. A imposição de restrições à estratégia para evitar que sejam de longo prazo ou títulos longos tenha potencial para melhorar ainda mais a crise alfa, mas reduz o retorno médio. Finalmente, examinamos como o desempenho variou em todas as estratégias de impulso com base em retornos com diferentes atrasos e aplicado a diferentes classes de ativos.
Propomos o uso de portfólios curtos e longos de estratégias de acompanhamento de tendências para analisar suas características de risco e retorno. Descobrimos que suas exposições são variáveis ​​no tempo, dependem do estado de mercado e que retornos aos seus lados longos e curtos no mesmo ativo não são comparáveis. Além disso, apresentamos evidências de discricionariedade ocasional e tendenciosa pelos gerentes do CTA. Nossas descobertas estão em linha com a hipótese dos mercados adaptativos, e a principal lição de nosso estudo é que os lados longo e curto devem ser diferenciados na análise de estratégias dinâmicas de investimento.
Este documento de pesquisa irá discutir as fontes de retorno estrutural (potenciais) para os índices de CTAs e commodities com base em uma revisão de artigos de pesquisa empírica de acadêmicos e profissionais. O documento abrange especificamente (a) as fontes de retorno a longo prazo para programas de futuros gerenciados e para índices de commodities; (b) as expectativas dos investidores e o contexto da carteira para estratégias de futuros; e (c) como comparar essas estratégias.
Os investidores geralmente estão preocupados com a asimetria negativa, ou a assimetria da cauda esquerda, dos retornos de equivalência patrimonial. Em resposta, eles buscam estratégias de mitigação de risco para fornecer retornos compensatórios quando os mercados de ações caem. Devido à sua associação com a eletricidade positiva, as estratégias de tendência são candidatos populares para mitigação de risco ou compensação de crise. Este artigo explora como um portfólio de tendências pode alcançar uma afinidade positiva e descobre que a variação do tempo no risco é o principal fator. Na verdade, qualquer carteira com uma relação positiva de Sharpe pode alcançar a afinidade positiva simplesmente variando o nível de risco assumido no tempo.
Neste artigo, os autores estudam o desempenho do investimento de tendência nos mercados globais desde 1880, ampliando a evidência existente em mais de 100 anos usando um novo conjunto de dados. Eles descobriram que, em cada década desde 1880, o momento da série temporal gerou retornos médios positivos com baixas correlações às classes de ativos tradicionais. Além disso, o impulso da série de tempo tem funcionado bem em 8 dos 10 dos maiores períodos de crise ao longo do século, definidos como os maiores descontos para um portfólio de ações / obrigações de 60/40. Por fim, o momento das séries temporais teve um bom desempenho em diferentes macro ambientes, incluindo recessões e booms, guerra e tempo de paz, regimes de alta e baixa taxa de juros e períodos de alta e baixa inflação.
Hedging carteiras de ações contra o risco de grandes retiradas é notoriamente difícil e caro. A retenção e o contínuo rolamento, opções de venda de dinheiro no S & P 500 é uma estratégia muito onerosa, se confiável, para se proteger contra as vendas do mercado. A retenção de títulos do Tesouro dos Estados Unidos, ao mesmo tempo que proporciona um rendimento de longo prazo positivo e previsível, é geralmente uma estratégia de hedge-hedge não confiável, uma vez que a correlação negativa de vínculo-patrimônio pós-2000 é uma raridade histórica. As carteiras longas de proteção de crédito de ouro e longo parecem se sentar entre puts e bonds em termos de custo e confiabilidade. Em contraste com esses investimentos passivos, investigamos duas estratégias dinâmicas que parecem ter gerado desempenho positivo em longo prazo, mas também particularmente durante crises históricas: impulso das séries temporais de futuros e fatores de estoque de qualidade. O momentum de futuros tem paralelos com as estratégias de straddle de opções longas, permitindo que ele se beneficie durante as vendas de ações estendidas. A estratégia de estoque de qualidade assume posições compradas em posições de alta qualidade e curtas em ações de empresas de menor qualidade, beneficiando-se de um efeito de "fuga para a qualidade" durante as crises. Essas duas estratégias dinâmicas historicamente têm perfis de retorno não correlacionados, tornando-os hedges de risco de crise complementares. Examinamos ambas as estratégias e discutimos a forma como diferentes variações podem ter ocorrido em crises, bem como em tempos normais, nos anos de 1985 a 2016.
O prémio de risco de Momentum é uma das premissas de risco alternativas mais importantes. Uma vez que é considerada uma anomalia de mercado, nem sempre é bem compreendida. Muitas publicações sobre este tópico são, portanto, baseadas em resultados avançados e empíricos. No entanto, alguns estudos acadêmicos desenvolveram um quadro teórico que nos permite compreender o comportamento de tais estratégias. Neste artigo, estendemos o modelo de Bruder e Gaussel (2011) ao caso multivariável. Podemos encontrar as principais propriedades encontradas na literatura acadêmica e obter novas descobertas teóricas sobre o prêmio de risco de impulso. Em particular, revisamos o retorno das estratégias seguindo a tendência e analisamos o impacto do universo de ativos no perfil risco / retorno. Também comparamos fatos estilizados empíricos com os resultados teóricos obtidos em nosso modelo. Finalmente, estudamos as propriedades de cobertura das estratégias de tendência.
Comparamos o desempenho de dois métodos de escalonamento de volatilidade em estratégias de impulso: (i) a abordagem de escala de volatilidade constante de Barroso e Santa-Clara (2015), e (ii) o método dinâmico de escala de volatilidade de Daniel e Moskowitz (2016). Realizamos estratégias de impulso com base nessas duas abordagens em um pool de ativos consistindo em 55 contratos globais de futuros líquidos e comparamos esses resultados com a estratégia de tempo e as estratégias de compra e retenção. Achamos que a estratégia de impulso baseada no método de escalabilidade constante da volatilidade é a abordagem mais eficiente com um retorno anual de 15,3%.

Estratégias de Negociação de Momento Temporal no Mercado Global de Ações.
Gagari Chakrabarti.
Nos últimos anos, a presença de lucros anormais nos mercados de ações foi empiricamente validada, colocando assim a Hipótese do Mercado Eficaz em julgamento; e a afirmação de que o mercado sabe que tudo ou o mercado não pode ser espancado provou ser um mito. Com a presença de regras de negociação rentáveis ​​nos mercados de ações, a especulação se torna um fenômeno comum, tornando o sistema financeiro intrinsecamente instável, vulnerável a choques e propenso a falhas. Este estudo, ao explorar a presença de regras comerciais rentáveis ​​no mercado global nos últimos anos, descobre que os submercados dos países desenvolvidos são mais vulneráveis ​​a especular atividades.
* Gagari Chakrabarti é professor assistente de Economia na Presidency University, Kolkata, na Índia. Suas principais áreas de pesquisa são economia financeira, finanças quantitativas e mercados financeiros como sistemas complexos. Ela obteve seu M. Sc., M. Phil. e Ph. D. Graduados em Economia pela Universidade de Calcutá.
Referências.
Informações sobre direitos autorais.
Autores e afiliações.
Gagari Chakrabarti.
Não há afiliações disponíveis.
Sobre este artigo.
Publicado em cooperação com.
Recomendações personalizadas.
Cite o artigo.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Acesso ilimitado ao artigo completo Download instantâneo Inclua o imposto de vendas local, se aplicável.
Cite o artigo.
.RIS Papers Reference Manager RefWorks Zotero.
.BIB BibTeX JabRef Mendeley.
Mais de 10 milhões de documentos científicos ao seu alcance.
Switch Edition.
&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.

Estratégia de negociação de impulso de séries temporais
Já pensamos muito em futuros recentemente. A área de pesquisa de futuros é relativamente “nova” e muito mais interessante do que hackear pesquisas de seleção de ações, onde já entendemos a resposta básica - comprar barato / qualidade, comprar força e abraçar a dor relativa ao desempenho.
Como parte de nossa série de educação de pesquisa sobre futuros, revisamos recentemente um documento envolvente, "Time Series Momentum and Volatility Scaling", de Abby Y. Kim, Yiuman Tse, John K. Wald (KTW), que revisa as descobertas sobre outros futuros papel "Time Series Momentum", de Tobias J. Moskowitz, Yao Hua Ooi, Lasse Heje Pedersen (MOP).
Recapitamos as principais conclusões da KTW e da MOP abaixo:
Insights de chave Momentum da série de tempo (por MOP)
Os principais elementos do MOP são os seguintes:
58 contratos futuros cobrem o período 1965-2009 (24 commodities, 12 pares de moedas de taxa cruzada, 9 índices de ações desenvolvidos e 13 títulos do governo desenvolvidos). A estratégia é baseada no momento da série temporal, ou seja, os retornos anteriores foram positivos ou negativos? Positivo = longo; negativo = curto As posições são ponderadas pela volatilidade, de modo que os ativos de alta volatilidade não dominam os retornos. Isso é semelhante a um portfólio de paridade de risco igualmente ponderado, no qual os pesos se referem ao risco. Na MOP, o alvo vol é de cerca de 40% versus volume médio de 19%, efetivamente 2% de alavancagem. Uma estratégia TSMOM com escala de volatilidade (lookback de 12 meses, retenção de 1 mês) gera retornos excedentes mensais de 1,09% (p / t-stat de 5,4), após o controle de Asness et al. fatores de valor / impulso "em todos os lugares" para o retorno global das ações, rendimentos das obrigações, moedas e commodities. O TSMOM carrega no momento da seção transversal de Asness et al., Mas seu fator em todos os lugares não o explica.
Momento da Série Temporal e Insights-Chave de Volatilidade (por KTW)
O documento KTW revisa a análise da MOP. Usando 55 contratos futuros cobrem o período 1985-2009, os autores confirmam os resultados do MOP. No entanto, o KTW identifica os seguintes resultados que parecem entrar em conflito com o MOP:
Usando um método sem escala, igual ponderado, o alfa de um portfólio do TSMOM cai para 0,39% por mês, v. s. vol-escalado, alfa mensal 1.08% da TSMOM. Sem vol scale, o portfólio alfa é semelhante a um portfólio de futuros de compra e retenção. Usando o método não escalado, o alfa de uma estratégia de compra e retenção é de 0,34% por mês. Além disso, quando o buy-and-hold é escalado usando o método MOP, ele gera uma estimativa de 0,73% de alfa mensal. A KTW argumenta que os fortes retornos do TSMOM identificados pelo MOP foram devidos à alavancagem de uma estratégia que passou a ter uma estimativa alfa positiva para uma estratégia “passiva” buy-and-hold durante esse período de amostragem. Quando se examina o TSMOM "desalavancado" (isto é, sem escala de volatilidade), não supera significativamente a compra e a retenção. Bottomline: o desempenho superior do TSMOM é em grande parte impulsionado por voltagem ou alavancagem, não por retornos anormais associados ao TSMOM.
Conciliando o desacordo.
Pensamos que MOP e KTW inspiraram um debate intrigante. Para chegar mais perto de entender a “verdade”, conduzimos nossa própria pesquisa sobre a questão. Nossa amostra abrange o período 1998-7 / 2016 e inclui 38 futuros contratos de commodities, renda fixa e ações (22 contratos de commodities, 7 contratos de títulos desenvolvidos, 9 contratos de índice de ações). Nós excluímos contratos de câmbio e alguns outros contatos porque nossa capacidade de negociar contratos é limitada ao que está disponível no Interactive Brokers.
Os contratos são os seguintes:
MF1: ​​volatilidade ponderada, não escalada (volatilidade anualizada de 4,55%), compra e retenção, reequilíbrio mensal MF2: volatilidade ponderada, não escalada (volatilidade anualizada de 4,45%), TSMOM de 12 meses, reequilíbrio mensal MF3: volatilidade ponderada, escalado (com objetivo de uma volatilidade anualizada de 12% no nível da carteira), compra e retenção, reequilíbrio mensal MF4: volatilidade ponderada, escalada (com meta volatilidade anualizada de 12% no nível da carteira), TSMOM de 12 meses, reequilíbrio mensal.
Os retornos de futuros são todos os retornos excedentes e não incluem juros recebidos em uma posição de futuros totalmente garantida.
Índice de retorno total SPY - SP500 LTR - Tesouro dos EUA Índice de retorno total de títulos de 10 anos 60_40 - 60% em SPY, 40% em LTR.
Todos os retornos são retornos totais e incluem o reinvestimento de distribuições (por exemplo, dividendos). Os dados são da Bloomberg e fontes publicamente disponíveis.
O gráfico abaixo mostra os resultados resumidos de nossa análise, cobrindo o período de 1998 a 7/2016:
Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Índices não são gerenciados, não refletem taxas de administração ou negociação e não se pode investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação.
Com base em nossa análise, podemos ver que existe uma enorme diferença entre os níveis não volados (MF1 e MF2) e os vol-scale (MF3 e MF4). Because vol-scaling is essentially leveraging the positions, when you scale up the vol, you scale up the returns!
Note how the MF1 CAGR of 4.21% and the MF2 CAGR of 4.56% are significantly enhance by vol-scaling, going to an 11.00% CAGR for MF3 and a 12.25% CAGR for MF4. By contrast, when you de-leverage the position, you get a lower CAGR. Leverage is a powerful thing when applied to a strategy that generates “alpha.”
Here are the annual returns for each strategy:
The results are hypothetical results and are NOT an indicator of future results and do NOT represent returns that any investor actually attained. Indexes are unmanaged, do not reflect management or trading fees, and one cannot invest directly in an index. Additional information regarding the construction of these results is available upon request.
In each row, we use conditional color formatting to highlight difference of annual returns between different strategies. Red means relatively good and green means relatively bad. MF without TSMOM (MF1, MF3) can provide some degree of tail risk protection in a handful of events such as in 2000, 2001 and 2002. MF with TSMOM can protect investors better in big risk events like 2008, when SPY was down 36%, but MF2 was up 15% and MF4 was up 43%. However, since MF is an alternative asset, in some of the years, these strategies underperforms the market by extreme margins. For example, in 2009, SPY is up 26%, while MF4 is down 10.70%.
Is Time Series Momentum a Busted Strategy?
CAGR, standard deviations, and Sharpe ratios are only half of the story when it comes to time series momentum strategies, because correlations and portfolio diversification elements are also valuable. In our view, time series based futures strategies represents an “alternative” asset class, with generally lower correlations to other asset classes.
In order to assess TSMOM’s relative value as a diversifier, we present below a correlation matrix that compares strategies and benchmarks:
The results are hypothetical results and are NOT an indicator of future results and do NOT represent returns that any investor actually attained. Indexes are unmanaged, do not reflect management or trading fees, and one cannot invest directly in an index. Additional information regarding the construction of these results is available upon request.
TSMOM (MF2 and MF4) exhibits a -27.56% correlation with SPY. From a portfolio construction standpoint, this is a valuable characteristic. Compare this correlation estimate with the Buy&Hold version of the strategy (MF1 and MF3), which has a positiv e 56.48% correlation with SPY (as an aside, if you are curious as to why levered/unlevered correlations of the same strategy would be identical, Cliff Asness has an interesting post that discusses a variation of this issue).
From a diversification perspective, TSMOM would seem to add significant value to a portfolio, regardless of vol-scaling.
Finally, here we highlight some large drawdown events for SPY and the associated MF strategy returns over these same periods:
The results are hypothetical results and are NOT an indicator of future results and do NOT represent returns that any investor actually attained. Indexes are unmanaged, do not reflect management or trading fees, and one cannot invest directly in an index. Additional information regarding the construction of these results is available upon request.
TSMOM (MF2, MF4) generates strong downside protection in the face of big market blow-ups, whereas Buy&Hold futures have generally correlated drawdowns with the SPY, albeit, less dramatic.
Below are monthly return distributions of vol-scaled Buy&Hold (MF3), vol-scaled TSMOM (MF4), and bonds (LTR) compared with negative return months for SPY:
The results are hypothetical results and are NOT an indicator of future results and do NOT represent returns that any investor actually attained. Indexes are unmanaged, do not reflect management or trading fees, and one cannot invest directly in an index. Additional information regarding the construction of these results is available upon request.
The blue line, MF3 (scaled, Buy&Hold), consistent with its positive correlation with SPY, tends to decline with SPY, although it does not show declines of the same magnitude as SPY.
By contrast, the red line, MF4 (scaled, TSMOM), consistent with its negative correlation with SPY, tends to increase when SPY decreases . And not only that, the slope for MF4 is actually steeper than for bonds (green line)! Uau.
MF4 returns are concentrated in the area where a true alternative asset should be and shows a convexity property that is highly desirable from a portfolio construction standpoint.
Time Series Momentum Smiles At You.
The MOP paper alludes to the convexity effect documented above.
Below is a graph from the MOP paper that documents the quarterly returns for a 12-month TSMOM strategy plotted against the S&P 500:
The returns to TSMOM are largest during the biggest up and down market movements…TSMOM, therefore, has payoffs similar to an option straddle on the market…[the] TSMOM strategy generates this payoff structure because it tends to go long when the market has a major upswing and short when the market crashes…Historically, TSMOM does well during “crashes” because crises often happen when the economy goes from normal to bad (making TSMOM go short), and then from bad to worse (leading to TSMOM profits), with the recent financial crisis of 2008 being a prime example.
So, What’s the Verdict?
We don’t disagree with KTW that the TSMOM “alpha” found by MOP is related the strategy’s leverage-like use of volatility scaling. Without volatility scaling, returns and/or “alpha estimates” to a TSMOM strategy are not that different from a buy-and-hold strategy. So we commend their research and for making us think harder and longer about the results published in Moskowitz, Ooi, and Pedersen (2012).
However, the real value of the TSMOM strategy is not evident when examining standard summary statistics. Rather, the value of TSMOM strategies is highlighted when one considers the genuinely unique diversification qualities these strategies bring to the table relative to B&H strategies — especially when examining how TSMOM strategies act during SPY “tail” events. When we conduct the full analysis of TSMOM versus B&H futures strategies, we once again identify why TSMOM strategies are unique relative to B&H futures strategies.
DIVULGAÇÃO: As visões e opiniões expressas neste artigo são de responsabilidade dos autores e não representam as visões das ações. Os leitores não devem considerar as declarações feitas pelo autor como recomendações formais e devem consultar seu consultor financeiro antes de tomar quaisquer decisões de investimento. Para ler nossa divulgação completa, acesse: equities / disclaimer.
Você precisa estar logado para deixar um comentário.
Você deve fazer login primeiro.
Me desculpe, mas para completar o que você está tentando fazer, você deve estar logado.
Mais sobre ações.
Patent Application Titled "System and Method for Transposase-Mediated Amplicon Sequencing" Published Online (USPTO 20180016632)
Findings from Dow Chemical Company Has Provided New Information about Small Interference RNAs (siRNAs) (Systemic RNAi in western corn rootworm.
Patent Issued for Device for Gestural Control of a System, and Associated Method (USPTO 9874937)
Artigos em tendência.
A Global Blockchain Technologies Corp escolheu apenas todos os Token de pré-venda da Eastman Kodak Company.
O poder de extração da Radient Technologies poderia ser enorme como a legalização canadense Teares.
Aurora Cannabis Stake coloca o verde holandês orgânico em posição privilegiada para o IPO de março.
À medida que o petróleo procura mover nomes mais elevados e não reconhecidos, como a energia Viking poderia estar pronta para brilhar.
Bitcoin Bounces de 10.000 como Stellar Lumens Hack Plunges All Crypto.
Por que o horário do PCCO de US $ 1,2 bilhão é perfeito.
Crescimento emergente.
Margaux Resources Ltd.
A Margaux Resources Ltd é uma empresa de recursos com sede em Calgary. A Companhia está focada em sua propriedade Jersey Emeral Tungsten-Zinc localizada na parte sudeste de British Columbia.
Mercados Privados.
Voleo é um download gratuito que permite formar clubes de investimento com seus amigos, familiares, colegas, colegas de classe, companheiros de equipe ... basicamente qualquer um que você conhece e confia. Invista e gerencie uma carteira de ações & # 8230;
iPRO Network, LLC.
Nós fornecemos a plataforma, ferramentas e recursos para capacitar indivíduos e profissionais para comercializar bens e serviços desejáveis ​​para o público, tomando o lugar dos métodos tradicionais de comércio.
* Todas as datas e horários estão sendo exibidos em Eastern Standard Time (EST).

Momento da série de tempo.
Over the past few days I have been writing about strategies that buy the currencies that are going up the most strongly and sell the currencies that are going down the most strongly.
I showed how some simple strategies based on this principle would have performed over approximately the last 21 years.
For example, the 3-month version of this strategy yielded 94.45% over a 21.75-year period (meaning each trade made a profit of 0.36% on average). The maximum peak to trough draw-down was approximately 27%.
Here is another variation: instead of picking the strongest and weakest currencies to trade, how about trading all of the currencies and just buying each currency when it is going up and selling each currency when it is going down?
This kind of strategy is known as “time series momentum”, as opposed to “best of momentum”. It just means that the price has to be higher or lower than it was, not outperforming or under performing any other currency.
Applying a 3 month look back period here over the same overall time period, the strategy returned 357.24% (meaning each trade made 0.20%). The maximum peak to trough draw-down was approximately 131%. The equity curve is shown below:
The maximum peak to trough draw-down was approximately 131%.
As you can see, the time-series strategy had a larger proportionate draw-down (36%) than the best-of strategy (27%). It also made a higher average return per trade (0.36% compared to 0.20%). So the best-of momentum strategy is better, right? Não, não necessariamente.
The reason for this is that best-of strategies built from time periods other than 3 months, do not perform as well as time-series strategies built from other time periods. This suggests that time-series strategies are more robust i. e. more likely to keep working. This is probably because with best-of strategies you are putting all your eggs in one basket, whereas time-series strategies will keep you more diversified.
To give an example, the 6 month look back applied to a time series strategy over the same time period gave a very similar return to a 3 month look back. However, a 6 month look back to a “best of” strategy actually produced a loss overall of -56.02%.
Adam Lemon.
Adam é um comerciante de Forex que trabalhou nos mercados financeiros por mais de 12 anos, incluindo 6 anos com a Merrill Lynch. Ele é certificado em Gestão de Fundos e Gestão de Investimentos pelo U. K. Chartered Institute for Securities & Investment. Saiba mais de Adam em suas lições gratuitas na FX Academy.
O registro é necessário para garantir a segurança de nossos usuários. Faça o login via Facebook para compartilhar seu comentário com seus amigos ou registre-se para que o DailyForex publique comentários de forma rápida e segura sempre que você tiver algo a dizer.
Cursos gratuitos de Forex Trading.
Deseja obter lições profundas e vídeos de instruções de especialistas em Forex? Registre-se gratuitamente na FX Academy, a primeira academia de negociação interativa on-line que oferece cursos sobre Análise Técnica, Fundamentos de negociação, Gestão de Riscos e mais preparados exclusivamente por comerciantes profissionais de Forex.
Comentários mais visitados Forex Broker.
Ficar atualizado!
Também disponível em.
Isenção de Risco: A DailyForex não se responsabiliza por qualquer perda ou dano resultante da confiança nas informações contidas neste site, incluindo notícias de mercado, análise, sinais de negociação e análises de corretoras Forex. Os dados contidos neste site não são necessariamente em tempo real nem são precisos, e as análises são as opiniões do autor e não representam as recomendações do DailyForex ou seus funcionários. A negociação de moeda na margem envolve alto risco e não é adequada para todos os investidores. Como as perdas de produtos alavancadas podem exceder os depósitos iniciais e o capital está em risco. Antes de decidir trocar Forex ou qualquer outro instrumento financeiro, você deve considerar cuidadosamente seus objetivos de investimento, nível de experiência e apetite de risco. Trabalhamos duro para oferecer informações valiosas sobre todos os corretores que revisamos. A fim de lhe fornecer este serviço gratuito, recebemos taxas de publicidade de corretores, incluindo alguns dos listados em nossos rankings e nesta página. Embora façamos o nosso melhor para garantir que todos os nossos dados estejam atualizados, nós o encorajamos a verificar nossa informação diretamente com o corretor.
Isenção de Risco: A DailyForex não se responsabiliza por qualquer perda ou dano resultante da confiança nas informações contidas neste site, incluindo notícias de mercado, análise, sinais de negociação e análises de corretoras Forex. Os dados contidos neste site não são necessariamente em tempo real nem são precisos, e as análises são as opiniões do autor e não representam as recomendações do DailyForex ou seus funcionários. A negociação de moeda na margem envolve alto risco e não é adequada para todos os investidores. Como as perdas de produtos alavancadas podem exceder os depósitos iniciais e o capital está em risco. Antes de decidir trocar Forex ou qualquer outro instrumento financeiro, você deve considerar cuidadosamente seus objetivos de investimento, nível de experiência e apetite de risco. Trabalhamos duro para oferecer informações valiosas sobre todos os corretores que revisamos. A fim de lhe fornecer este serviço gratuito, recebemos taxas de publicidade de corretores, incluindo alguns dos listados em nossos rankings e nesta página. Embora façamos o nosso melhor para garantir que todos os nossos dados estejam atualizados, nós o encorajamos a verificar nossa informação diretamente com o corretor.

Journal of Risk Model Validation.
Editor-in-chief: Steve Satchell.
First Published: March 2007.
Risk reduction in a time series momentum trading strategy.
We study four most commonly used risk measures of a time series momentum (TSM) trading strategy. The four measures include return volatility, beta, Value at Risk and Stressed Value at Risk. We show that the TSM strategy reduces risk measures compared to the passive buy and hold strategy. This should be relevant to anyone who manages financial risk of trading strategies based on TSM.
In this paper, we investigate the four most commonly used risk measures - return volatility, beta, value-at-risk and stressed value-at-risk - of a time series momentum (TSM) trading strategy. We demonstrate that the TSM strategy results in reduced risk measures compared with the passive buy-and-hold strategy. We then validate the hypothesis with a bivariate risk model of AR(1) processes. The reduction in risk measures ranged from 24% to 46% under the given model of AR(1) processes. These findings should be relevant to portfolio managers, traders or risk managers who are interested in managing the financial risk of trading strategies based on TSM.
Para continuar lendo.
Start a Risk Journals Trial.
Risk Journals is a paid-for subscription service. However, we invite you to download a sample copy.
Alternatively, you can explore your options for subscribing to Risk Journals.
Browse journals.
Você precisa fazer login para usar esse recurso. Se você não possui uma conta de Risco, inscreva-se para um teste.
© Infopro Digital Risk (IP) Limited, publicado pela Infopro Digital Risk Limited, Haymarket House, 28-29 Haymarket, London SW1Y 4RX, são empresas registradas em Inglaterra e País de Gales com números de registro da empresa 9232733 & amp; 9232652.
Editora digital do ano.
Você precisa fazer login para usar esse recurso. Se você não possui uma conta de Risco, inscreva-se para um teste.
Você está atualmente em acesso corporativo.
Para usar este recurso, você precisará de uma conta individual. Se você já possui um, inscreva-se.
Alternativamente, você pode solicitar uma conta indvidual aqui:

Time series momentum trading strategy

We’ve been thinking a lot about futures recently. The futures research area is relatively “fresh,” and a lot more exciting than hacking through equity stock selection research where we already understand the basic answer — buy cheap/quality , buy strength , and embrace relative performance pain .
As part of our research education series on futures, we recently reviewed an engrossing paper, “Time Series Momentum and Volatility Scaling,” by Abby Y. Kim, Yiuman Tse, John K. Wald (KTW), which revisits the findings regarding another futures paper, “Time Series Momentum,” by Tobias J. Moskowitz, Yao Hua Ooi, Lasse Heje Pedersen (MOP).
We recap the core findings from KTW and MOP below:
Time Series Momentum Key Insights (by MOP)
The key elements from MOP are as follows:
58 future contracts cover the 1965-2009 period (24 commodities, 12 cross-rate currency pairs, 9 developed equity indexes and 13 developed government bonds). Strategy is based on time-series momentum, i. e, were past returns positive or negative? Positive = long; negative = short Positions are volatility weighted so that high-volatility assets will not dominate returns. This is similar to an equally weighted risk parity portfolio, in which the weights refer to risk. In MOP, target vol is around 40% versus average vol of 19%, effectively 2x leverage. A volatility-scaled TSMOM strategy (12 month lookback, 1 month hold) generates 1.09% excess returns monthly (w/t-stat of 5.4), after controlling for Asness et al. value/momentum “everywhere” factors for global stock returns, bond returns, currencies and commodities. TSMOM loads on Asness et al.’s cross-sectional momentum, but their everywhere factor does not explain it.
Time Series Momentum and Volatility Scaling Key Insights (by KTW)
The KTW paper revisits the analysis from MOP. Using 55 futures contracts cover the 1985-2009 period, the authors confirm the results from MOP. However, KTW identify the following results that appear to conflict with MOP:
Using an unscaled, equal-weighted method, the alpha of a TSMOM portfolio drops to 0.39% per month, v. s. vol-scaled, TSMOM’s 1.08% monthly alpha. Without vol scaling, the portfolio alpha is similar to a buy-and-hold futures portfolio. Using the unscaled method, the alpha of a buy-and-hold strategy is 0.34% per month. Moreover, when buy-and-hold is scaled using the MOP method, it generates a 0.73% estimate of monthly alpha. KTW argue that the strong TSMOM returns identified by MOP were due to leveraging a strategy that happened to have a positive alpha estimate for a buy-and-hold “passive” strategy during this sample period. When one examines “unlevered” TSMOM (i. e., with no volatility scaling) it does not significantly outperform buy-and-hold. Bottomline: the outperformance of TSMOM is largely driven by vol-scaling, or leverage, not by abnormal returns associated with TSMOM.
Reconciling the Disagreement.
We think MOP and KTW have inspired an intriguing debate. To get closer to understanding the “truth,” we conducted our own research into the question. Our sample covers the 1998-7/2016 period, and includes 38 future contracts for commodities, fixed income, and equities (22 commodities contracts, 7 developed bond contracts, 9 equity index contracts). We excluded currency contracts and a few other contacts because our ability to trade contracts is limited to what is available at Interactive Brokers.
The contracts are as follows:
MF1: volatility weighted, non-scaled (annualized volatility of 4.55%), Buy&Hold, monthly rebalance MF2: volatility weighted, non-scaled (annualized volatility of 4.45%), 12-month TSMOM, monthly rebalance MF3: volatility weighted, scaled (with target an annualized 12% volatility at the portfolio level), Buy&Hold, monthly rebalance MF4: volatility weighted, scaled (with target an annualized 12% volatility at the portfolio level), 12-month TSMOM, monthly rebalance.
The returns from futures are all excess returns and do not include interest received on a fully collateralized futures position.
SPY – SP500 total return index LTR – U. S. Treasury 10-Year bond total return index 60_40 – 60% in SPY, 40% in LTR.
All returns are total returns and include the reinvestment of distributions (e. g., dividends). Data is from Bloomberg and publicly available sources.
The chart below shows the summary results from our analysis, covering the period 1998– 7/2016:
The results are hypothetical results and are NOT an indicator of future results and do NOT represent returns that any investor actually attained. Indexes are unmanaged, do not reflect management or trading fees, and one cannot invest directly in an index. Additional information regarding the construction of these results is available upon request.
Based on our analysis, we can see that there is huge difference between non-vol-scaled (MF1 and MF2) and the vol-scaled (MF3 and MF4). Because vol-scaling is essentially leveraging the positions, when you scale up the vol, you scale up the returns!
Note how the MF1 CAGR of 4.21% and the MF2 CAGR of 4.56% are significantly enhance by vol-scaling, going to an 11.00% CAGR for MF3 and a 12.25% CAGR for MF4. By contrast, when you de-leverage the position, you get a lower CAGR. Leverage is a powerful thing when applied to a strategy that generates “alpha.”
Here are the annual returns for each strategy:
The results are hypothetical results and are NOT an indicator of future results and do NOT represent returns that any investor actually attained. Indexes are unmanaged, do not reflect management or trading fees, and one cannot invest directly in an index. Additional information regarding the construction of these results is available upon request.
In each row, we use conditional color formatting to highlight difference of annual returns between different strategies. Red means relatively good and green means relatively bad. MF without TSMOM (MF1, MF3) can provide some degree of tail risk protection in a handful of events such as in 2000, 2001 and 2002. MF with TSMOM can protect investors better in big risk events like 2008, when SPY was down 36%, but MF2 was up 15% and MF4 was up 43%. However, since MF is an alternative asset, in some of the years, these strategies underperforms the market by extreme margins. For example, in 2009, SPY is up 26%, while MF4 is down 10.70%.
Is Time Series Momentum a Busted Strategy?
CAGR, standard deviations, and Sharpe ratios are only half of the story when it comes to time series momentum strategies, because correlations and portfolio diversification elements are also valuable. In our view, time series based futures strategies represents an “alternative” asset class, with generally lower correlations to other asset classes.
In order to assess TSMOM’s relative value as a diversifier, we present below a correlation matrix that compares strategies and benchmarks:
The results are hypothetical results and are NOT an indicator of future results and do NOT represent returns that any investor actually attained. Indexes are unmanaged, do not reflect management or trading fees, and one cannot invest directly in an index. Additional information regarding the construction of these results is available upon request.
TSMOM (MF2 and MF4) exhibits a -27.56% correlation with SPY. From a portfolio construction standpoint, this is a valuable characteristic. Compare this correlation estimate with the Buy&Hold version of the strategy (MF1 and MF3), which has a positiv e 56.48% correlation with SPY (as an aside, if you are curious as to why levered/unlevered correlations of the same strategy would be identical, Cliff Asness has an interesting post that discusses a variation of this issue).
From a diversification perspective, TSMOM would seem to add significant value to a portfolio, regardless of vol-scaling.
Finally, here we highlight some large drawdown events for SPY and the associated MF strategy returns over these same periods:
The results are hypothetical results and are NOT an indicator of future results and do NOT represent returns that any investor actually attained. Indexes are unmanaged, do not reflect management or trading fees, and one cannot invest directly in an index. Additional information regarding the construction of these results is available upon request.
TSMOM (MF2, MF4) generates strong downside protection in the face of big market blow-ups, whereas Buy&Hold futures have generally correlated drawdowns with the SPY, albeit, less dramatic.
Below are monthly return distributions of vol-scaled Buy&Hold (MF3), vol-scaled TSMOM (MF4), and bonds (LTR) compared with negative return months for SPY:
The results are hypothetical results and are NOT an indicator of future results and do NOT represent returns that any investor actually attained. Indexes are unmanaged, do not reflect management or trading fees, and one cannot invest directly in an index. Additional information regarding the construction of these results is available upon request.
The blue line, MF3 (scaled, Buy&Hold), consistent with its positive correlation with SPY, tends to decline with SPY, although it does not show declines of the same magnitude as SPY.
By contrast, the red line, MF4 (scaled, TSMOM), consistent with its negative correlation with SPY, tends to increase when SPY decreases . And not only that, the slope for MF4 is actually steeper than for bonds (green line)! Uau.
MF4 returns are concentrated in the area where a true alternative asset should be and shows a convexity property that is highly desirable from a portfolio construction standpoint.
Time Series Momentum Smiles At You.
The MOP paper alludes to the convexity effect documented above.
Below is a graph from the MOP paper that documents the quarterly returns for a 12-month TSMOM strategy plotted against the S&P 500:
The returns to TSMOM are largest during the biggest up and down market movements…TSMOM, therefore, has payoffs similar to an option straddle on the market…[the] TSMOM strategy generates this payoff structure because it tends to go long when the market has a major upswing and short when the market crashes…Historically, TSMOM does well during “crashes” because crises often happen when the economy goes from normal to bad (making TSMOM go short), and then from bad to worse (leading to TSMOM profits), with the recent financial crisis of 2008 being a prime example.
So, What’s the Verdict?
We don’t disagree with KTW that the TSMOM “alpha” found by MOP is related the strategy’s leverage-like use of volatility scaling. Without volatility scaling, returns and/or “alpha estimates” to a TSMOM strategy are not that different from a buy-and-hold strategy. So we commend their research and for making us think harder and longer about the results published in Moskowitz, Ooi, and Pedersen (2012).
However, the real value of the TSMOM strategy is not evident when examining standard summary statistics. Rather, the value of TSMOM strategies is highlighted when one considers the genuinely unique diversification qualities these strategies bring to the table relative to B&H strategies — especially when examining how TSMOM strategies act during SPY “tail” events. When we conduct the full analysis of TSMOM versus B&H futures strategies, we once again identify why TSMOM strategies are unique relative to B&H futures strategies.
DIVULGAÇÃO: As visões e opiniões expressas neste artigo são de responsabilidade dos autores e não representam as visões das ações. Os leitores não devem considerar as declarações feitas pelo autor como recomendações formais e devem consultar seu consultor financeiro antes de tomar quaisquer decisões de investimento. Para ler nossa divulgação completa, acesse: equities / disclaimer.
Você precisa estar logado para deixar um comentário.
Você deve fazer login primeiro.
Me desculpe, mas para completar o que você está tentando fazer, você deve estar logado.
Mais sobre ações.
Patent Application Titled "System and Method for Transposase-Mediated Amplicon Sequencing" Published Online (USPTO 20180016632)
Findings from Dow Chemical Company Has Provided New Information about Small Interference RNAs (siRNAs) (Systemic RNAi in western corn rootworm.
Patent Issued for Device for Gestural Control of a System, and Associated Method (USPTO 9874937)
Artigos em tendência.
A Global Blockchain Technologies Corp escolheu apenas todos os Token de pré-venda da Eastman Kodak Company.
O poder de extração da Radient Technologies poderia ser enorme como a legalização canadense Teares.
Aurora Cannabis Stake coloca o verde holandês orgânico em posição privilegiada para o IPO de março.
À medida que o petróleo procura mover nomes mais elevados e não reconhecidos, como a energia Viking poderia estar pronta para brilhar.
Bitcoin Bounces de 10.000 como Stellar Lumens Hack Plunges All Crypto.
Por que o horário do PCCO de US $ 1,2 bilhão é perfeito.
Crescimento emergente.
Margaux Resources Ltd.
A Margaux Resources Ltd é uma empresa de recursos com sede em Calgary. A Companhia está focada em sua propriedade Jersey Emeral Tungsten-Zinc localizada na parte sudeste de British Columbia.
Mercados Privados.
Voleo é um download gratuito que permite formar clubes de investimento com seus amigos, familiares, colegas, colegas de classe, companheiros de equipe ... basicamente qualquer um que você conhece e confia. Invista e gerencie uma carteira de ações & # 8230;
iPRO Network, LLC.
Nós fornecemos a plataforma, ferramentas e recursos para capacitar indivíduos e profissionais para comercializar bens e serviços desejáveis ​​para o público, tomando o lugar dos métodos tradicionais de comércio.
* Todas as datas e horários estão sendo exibidos em Eastern Standard Time (EST).