Efeito Momentum da Série de Tempo

O momento tradicional da seção transversal 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 impulso de séries temporais em todos os ativos é notavelmente estável e robusto, produzindo uma alta relação Sharpe com pouca correlação com benchmarks passivos. Uma vantagem adicional é que os retornos momentâneos 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. Na verdade, os efeitos de reversão significativos estão documentados no horizonte de muito curto 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 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 da série e alcançamos uma série de descobertas novas. Os sinais de troca de impulso gerados pela adequação de uma tendência linear no caminho do preço dos ativos maximizam o desempenho fora da amostra, ao mesmo tempo que minimizam o volume de negócios da carteira, portanto, dominando o sinal de negociação de impulso ordinário na literatura, o sinal de 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. Em terceiro lugar, com base nesse resultado, investigamos se existem restrições de capacidade em estratégias de impulso de séries temporais, ao executar regressões preditivas do desempenho da estratégia momentânea em fluxos de capital atrasados ​​para a indústria 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 das tendências seguindo vários ambientes econômicos e destacamos os benefícios de diversificação que a estratégia tem providenciado historicamente em mercados com base em ações. Finalmente, 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 taxas, incluindo as potenciais fontes de lucro devido à sub-reação inicial e a reação exagerada 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. Embora os maiores gerentes de Futuros Gerenciados tenham percebido significantes alfas nos benchmarks tradicionais de longo tempo, o controle de estratégias de impulso de séries temporais leva seus alphas 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. Nós também achamos que os mercados de futuros não exibem a forte previsibilidade de retorno das séries temporais prevalentes em períodos sem crise, resultando em retornos relativamente fracos para tendências seguindo as estratégias nos quatro anos imediatamente após o 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 essa estratégia de impulso ajustada ao risco supera a estratégia de tempo de série de Ooi, Moskowitz e Pedersen (2012) para quase todas as combinações de períodos de espera e de retorno. 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. Achamos que esta exposição de risco variável desta vez permite seguir tendências para gerar retornos positivos em uma ampla gama de títulos e ciclos de mercado de ações. 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 administrados (às vezes chamados de CTAs) comercializam predominantemente as 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 nos mercados internacionais 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 este fim, apresentamos uma nova classe de estratégias de impulso, estratégias de temporização de séries temporais ajustadas ao risco (RAMOM), que se baseiam em médias de retornos de futuros passados, normalizados pela 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 ao RAMOM em relação ao TSMOM tende a ser 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. Embora confirmemos esses resultados com dados semelhantes, achamos que seus resultados são impulsionados pelos retornos de volatilidade (ou a chamada abordagem de paridade de risco para a alocação de ativos), em vez de em tempos de séries temporais. 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 financiarização de commodities, menos se sabe sobre como investir com rentabilidade 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. Primeiro, esses retornos são positivamente distorcidos, o que argumentamos é intuitivo, desenhando um paralelo entre as estratégias de impulso e uma estratégia de estratégia longa. 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 carteiras curtas e longas de estratégias de tendência para analisar suas características de risco e retorno. Achamos que suas exposições variam no tempo, dependem do estado do mercado, e que retorna aos seus lados longo e curto no mesmo recurso não são comparáveis. Além disso, apresentamos evidências de discernimento ocasional e tendencioso por parte dos gerentes da 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 riscos para fornecer retornos compensatórios quando os mercados de ações caírem. 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 acham que em cada década desde 1880, o impulso das séries temporais apresentou retornos médios positivos com baixas correlações para as 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 impulso das séries temporais apresentou um bom desempenho em diferentes ambientes macro, incluindo recessões e booms, guerra e tempo de paz, regimes de taxas de juros baixos e baixos 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 impulso de futuros tem paralelos com as estratégias de longo período de opções, permitindo que ele se beneficie durante as vendas de ações estendidas. A estratégia de estoque de qualidade leva posições longas em posições de alta qualidade e curtas em ações de empresas de menor qualidade, beneficiando de um efeito de "vôo para 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. Comparamos também fatos estilizados empíricos com os resultados teóricos obtidos em nosso modelo. Finalmente, estudamos as propriedades de cobertura das estratégias de tendência.

Estratégias de Negociação Momentum da Série do Tempo no Mercado de Valores Global.

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.

Compartilhe o artigo.

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.

Compartilhe o artigo.

Mais de 10 milhões de documentos científicos ao seu alcance.

Switch Edition.

&cópia de; 2017 Springer International Publishing AG. Parte de Springer Nature.

Momento da série de tempo e efeitos contrários no mercado de ações chinês.

Destaques.

Este artigo concentra-se no momento da série de tempo ou efeitos contrários no mercado de ações chinês.

Há um efeito de impulso da série de tempo no curto prazo e um efeito contrariano no longo prazo.

Os desempenhos dependem dos períodos de espera e de espera e de características específicas da empresa.

Este artigo concentra-se no impulso das séries temporais ou efeitos contrários no mercado de ações chinês. Avaliamos o desempenho da estratégia de impulso da série temporal aplicada aos principais índices de ações na China continental e exploramos a relação entre o desempenho das estratégias de impulso das séries temporais e algumas características específicas da empresa. Nossas descobertas indicam que há um efeito de impulso de séries temporais a curto prazo e um efeito contrário a longo prazo no mercado de ações chinês. Os desempenhos do impulso das séries temporais e das estratégias contrárias são altamente dependentes dos períodos de espera e de espera e características específicas da empresa.

Escolha uma opção para localizar / acessar este artigo:

Verifique se você tem acesso através de suas credenciais de login ou sua instituição.

Momento de série temporal, escala de volatilidade e Alfa de crise.

Momento de série temporal, escala de volatilidade e Alfa de crise.

Se você não pudesse dizer da nossa recente publicação de futuros de monstro, nós pensamos muito nos futuros recentemente. A área de pesquisa de futuros é relativamente nova, & # 8221; e muito mais emocionante que hackear a pesquisa de seleção de estoque de ações, onde já entendemos a resposta básica # 8212; Compre barato / qualidade, obtenha força e abrace a dor de desempenho relativo.

Como parte de nossa série de educação de pesquisa sobre futuros, revisamos recentemente um papel absorvente, & # 8220: Time Series Momentum and Volatility Scaling, & # 8221; por Abby Y. Kim, Yiuman Tse, John K. Wald (KTW), que revisa os resultados referentes a outro documento de futuros, & # 8220; Time Series Momentum, & # 8221; por 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 baseia-se no momento da série temporal, ou seja, os retornos passados ​​foram positivos ou negativos? Positivo = longo; negativo = curto As posições são a volatilidade ponderada para que os ativos de alta volatilidade não dominem 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 de TSMOM com velocidade de volatilidade (lookback de 12 meses, 1 mês de espera) gera 1,09% de retornos em excesso mensais (w / t-stat de 5,4), após o controle de Asness et al. valor / impulso & # 8220; em todos os lugares & # 8221; fatores para o retorno global das ações, retornos das obrigações, moedas e commodities. O TSMOM carrega no momento da seção transversal de Asness e cols., Mas seu fator em todos os lugares não o explica.

Momentos de série e volatilidade Scaling Key Insights (por KTW)

O documento KTW revisa a análise da MOP. A utilização de 55 contratos futuros abrange o período 1985-2009, os autores confirmam os resultados da 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-scaled, TSMOM & # 8217; s 1,08% alfa mensal. 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. O KTW argumenta que os retornos fortes do TSMOM identificados pelo MOP foram devidos à alavancagem de uma estratégia que passou a ter uma estimativa alfa positiva para uma compra e retenção de # 8220; passiva e # 8221; estratégia durante este período de amostra. Quando se examina & # 8220; unlevered & # 8221; TSMOM (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 se aproximar da compreensão da & # 8220; verdade, & # 8221; nós 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:

Estratégias testadas.

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 a 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 dos futuros são todos os retornos excedentes e não incluem os juros recebidos em uma posição de futuros totalmente garantidos.

Pontos de referência.

SPY & # 8211; Índice de retorno total SP500 LTR & # 8211; Índice de retorno total de títulos de 10 anos do Tesouro dos EUA 60_40 & # 8211; 60% em SPY, 40% em LTR.

All returns are total returns and include the reinvestment of distributions (e. g., dividends). Data is from Bloomberg and publicly available sources.

Results of Our Analysis.

The chart below shows the summary results from our analysis, covering the period 1998– 7/2016:

Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não se pode investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação.

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:

Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não se pode investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação.

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:

Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não se pode investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação.

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:

Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não se pode investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação.

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:

Os resultados são resultados hipotéticos e NÃO são um indicador de resultados futuros e NÃO representam retornos que qualquer investidor realmente atingiu. Os índices não são gerenciados, não refletem taxas de administração ou de negociação, e não se pode investir diretamente em um índice. Informações adicionais sobre a construção desses resultados estão disponíveis mediante solicitação.

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.

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.

Time Series Momentum and Volatility Scaling.

Kim, Tse and Wald A version of the paper can be found here. Quer um resumo dos trabalhos acadêmicos com alfa? Check out our Academic Research Recap Category.

Moskowitz, Ooi, and Pedersen(2012) show that time series momentum delivers a large and significant alpha for a diversified portfolio of international futures contracts. We find that their results are largely driven by volatility-scaling returns (or the so-called risk parity approach to asset allocation) rather than by time series momentum. Without scaling by volatility, time series momentum and a buy-and-hold strategy offer similar cumulative returns, and their alphas are not significantly different. This similarity holds for most sectors and for a combined portfolio of futures contracts. Cross-sectional momentum also offers a higher (similar) alpha than unscaled (scaled) time series momentum.

The views and opinions expressed herein are those of the author and do not necessarily reflect the views of Alpha Architect, its affiliates or its employees. Nossas divulgações completas estão disponíveis aqui. Definições de estatísticas comuns usadas em nossa análise estão disponíveis aqui (para a parte inferior). Join thousands of other readers and subscribe to our blog. Este site não fornece informações sobre nossos ETFs de valor ou nossos ETF's momentum. Please refer to this site.

Como o Post? Compartilhe o conhecimento!

About the Author: Yang Xu.

Mr. Xu is currently working with TradingFront, a fintech venture that was spun off from Alpha Architect in 2016. Prior to TradingFront, Yang was a managing member of Alpha Architect, where he lead the capital markets group and assists in quantitative research. Mr. Xu has unique skills related to “big data” análise. His recent research investigates various proprietary trading algorithms, tactical asset allocation models, and longer-term security selection models. Prior to joining Alpha Architect, Mr. Xu was a Principal Data Analyst at Capital One, where he was a member of the Basel II data analysis team. Mr. Xu graduated from Drexel University with a M. S. in Finance, and from the University of International Business and Economics in Beijing, China, where he earned a BA in Economics.

Posts Relacionados.

Do Trend-following Managed Futures Increase Safe Withdrawal Rates?

Go Skew Yourself with Managed Futures.

Commodity Futures Investing: Complex and Unique.

Time Series Momentum and Volatility Scaling.

Managed Futures: Understanding a Misunderstood Diversification Tool.

15 Comentários.

From what I understand, big trend-following CTAs like AHL and Winton use volatility scaling in their funds.

yes, most of them do. otherwise there are just not enough spreads and/or crisis alpha…

Both these papers take the signal as being long or short depending on past performance. Have you guys tried any alternate signal wherein we can incorporate the magnitude of the past performance. In my experience a signal proportional to past return does not work. wondering if you have any thoughts.

in this post, we used vol weight across different future: higher past volatility gets lower weight and vise versa. In term of incorporating the real magnitude of past performance into the signal, not really. One idea pops out of my head is to use relative strength and mom tilt, i. e. higher past total return gets higher weight title, from this equation (weight = base + R(Rank(i) – average(rank))), R factor is normally 5%

Might there be another Alpha Architect ETF in the future? This looks like a promising way to diversify Val/Momentum.

Improvável. The ETF structure doesn’t help on taxes and the constraints are too great when it comes to leverage.

Great blog, thanks. What happens when you go long-only and replace the short side by eg. intermediate bonds?

Obrigado. Since this strategy consists of both commodities and bonds, we did not test on just shorting the bonds. Shorting the bond along would be too noisy at some level. We did test the trend following long-only idea. It decreases the volatility, increases the sharpe and however, also decreases the crisis alpha significantly.

Obrigado. I did not mean to short the bonds, only to use intermediate bonds as out-of-market asset (“cash”) when going long-only. And how do you measure crisis alpha?

oh k. yah by doing that will increase the performance for sure. The issue is that it tilts too much to bond. Theoretically we could end up 100% in bond or 250% in the scaled up version. In this case, we simply use top drwadowns to evaluate the crisis alphas which is the outperformance when the market blows up; is profit which are gained by exploiting the persistent trends that occur across markets during times of crisis.

Very good write up Yang. Thank you and well done!

Thanks Dave! Will keep up the good work.

Great post Yang. Any idea what retruns and drawdown of mf4 would look like if you vol scaled up to 15 or 20%?

Obrigado pelo seu trabalho. On a pragmatic note could you explain how to get a TMOM indicator – let’s say on Stock Charts?

Secondly – instead of the 12 month MA; OK to use the 200 day MA instead?

that would probably work. Anything in the 10m – 15m range performs about the same in a backtest.