Dual Momentum TM Fordelene med momentuminvestering blir mer allment kjent, og det er naturligvis mer forskning som gjøres for å utforske sitt potensial. En del av den forskningen, som Moskowitz, Ooi og Pedersen papir Time Series Momentum, har vært utmerket. Vi foretrekker å påpeke og diskutere positive ting som det, men siden dette er en blogg om momentum, føler vi oss forpliktet til å snakke om momentumprodukter og forskning som kan være litt utenfor basen (Se Her kommer Market Neutral Momentum8230sort of). Ved utgangen av fjoråret utstedte Keller og van Putten et papir med navnet Generalized Momentum og Flexible Asset Allocation. Forfatterne brukte absolutt og relativ momentum til de tre øverste av 7 aktivaene ved å bruke data fra 1998 til 2012. De utviklet sine parametere på 8 års data fra 2005 til 2012, og indikerer at de validerte resultatene sine på 7 års tilleggsdata fra 1998 til 2004.De kaller dette en utvalgt validering, men de nevner andre steder i deres papir at de bestemte utseendetiden og antall midler til å investere i ved å se på et lengre spekter av data som inkluderer hele perioden 1998-2012 . For å dele en beskjeden mengde data i halvparten og ringe en del av det, er en test uten prøving ikke korrekt. Data snooping bias og modell over-montering er også vanlig praksis blant utøvere. Med hensyn til resultatene er åtte års data en svært liten prøvestørrelse for å bestemme investeringsmodellparametere. Resultatene deres på 7 år med data kan se anstendig fordi momentet er så robust at de fleste parametere over et bestemt område går ut OK. Imidlertid kan tilbakestesting på åtte års data ikke gi hva som egentlig er de beste parameterverdiene. Andre steder kan forfatterens papir være ganske forvirrende. Her er et eksempel, Noen ganger blir vår relative momentum kalt relativ styrke (RS, se Faber 2010) eller tidsserie momentum (se Thomas 2012). Vi vil også bruke termens returmoment for å bedre kontrast med volatilitet og korrelasjonsmoment. Tidsserie momentum er forskjellig fra relativ momentum (Se mitt innlegg Whatchmacallit). Videre, hva de kaller volatilitet og korrelasjonsmoment har ingenting å gjøre med momentum. Momentum handler om å velge eiendeler basert på utholdenhet i ytelsen, enten mot sine jevnaldrende (relative momentum) eller mot seg selv over tid (absolutt momentum). Dette gir ingen mening med hensyn til volatilitet eller korrelasjon. Forfatterne bruker faktisk volatilitet og korrelasjon som rangeringsfaktorer. De gjør det samme med retur, men etter at de velger dem ved hjelp av relativ og absolutt momentum. Forfatterne ende opp med å rangere eiendeler ved hjelp av vilkårlig vekt på henholdsvis 1,0, 0,5 og 0,5 for returmoment, volatilitet og korrelasjon. De forklarer ikke hvordan de kom opp med disse vektene. Jeg vil være forsiktig med å bruke informasjonen i dette papiret uten å gjøre betydelig mer analyse og tilbakestesting. Time Series Momentum Versus Moving Gjennomsnittlig Trading Rules, av Marshall, Nguyen, og Visaltanachoti er et akademisk papir som forsøker å avgjøre om langsiktige momentum trading regler slå sammenlignbare bevegelige gjennomsnittlige handelsregler. De gjør dette ved å sammenligne absolutt momentum (som de kaller tidsseriemoment) til sammenlignbare (i henhold til dem) flytte gjennomsnitt av størrelsesbaserte kvintiler av amerikanske aksjer ved bruk av 10, 50, 100 og 200 handelsdagers utseende. De har tillit til sine sammenligninger fordi deres korrelasjoner mellom momentum og flytende gjennomsnittlig avkastning generelt overskrider .8. Dette kan imidlertid ha noe å gjøre med bruk av daglig, i stedet for månedlig, returdata. Siden momentum er en mellomliggende anomali, studerer de fleste forskere ved å bruke månedlig avkastning. Vi får korrelasjoner som spenner fra .45 til .47 når vi sammenligner 12 måneders absolutt momentum månedlig avkastning til en rekkevidde på 4 til 32 måneders flytende gjennomsnittlig månedlig avkastning på det amerikanske aksjemarkedet de siste 38 årene. Vi bruker en rekke bevegelige gjennomsnittslengder fordi man ikke bare kan bruke samme tilbaketrukket periode for momentum og glidende gjennomsnitt og forventer sammenlignbare resultater. Forfatterne hint på dette selv når de sier at glidende gjennomsnitt går inn og ut av aksjer før. Deres papir identifiserer også gjennomsnittlige holdingsperioder for returintervaller på 10, 50, 100 og 200 handelsdager som 8, 22, 31 og 47 dager for å flytte gjennomsnittlige regler og 10, 32, 46 og 83 dager for momentumregler. Raskere oppføringer og utganger med bevegelige gjennomsnitt betyr at lengdene deres skal være lengre dersom man forventer at ytelsen tilsvarer ytelsen til absolutt momentum. Å velge samme utseende periode gjør ikke absolutt momentum og bevegelige gjennomsnitt er sammenlignbare. En gammel investeringskonsept er at glidende gjennomsnitt bør tegnes halvparten av deres lengde bak gjeldende pris på et lagerdiagram. En halvtidsforsinkelse betyr at tilbaketrukket perioden for et bevegelige gjennomsnitt vil være dobbelt så lang som tilbaketrekningsperioden for momentum for at de to skal være omtrent sammenlignbare. Det følgende diagrammet skal gjøre dette klart. Lar oss måle absolutt momentum fra midtpunktet til denne linjen ved 30 til sluttpunktet ved 50. Absolut momentum måler forskjellen mellom start - og sluttverdien, som i dette tilfellet er 20. Den beregnede glidende gjennomsnittsverdien fra starten av 30 til slutten av 50 er 40. Forskjellen mellom den bevegelige gjennomsnittsverdien på 40 og sluttverdien på 50 er bare 10, hvilket indikerer en svakere trend enn det ble identifisert ved hjelp av absolutt momentum. Hvis vi imidlertid begynner vårt bevegelige gjennomsnitt to ganger så langt tilbake til punktet 10, blir den beregnede glidende gjennomsnittsverdien 30 i stedet for 40, og forskjellen mellom den og sluttverdien er nå 20, det samme som med absolutt momentum. Tallene trener ikke alltid akkurat slik. Tilsvarende glidende gjennomsnittlig tilbaketrukket periode avhenger av prishandlingen langs lengden på det bevegelige gjennomsnittet. Det er imidlertid trygt å si at ved å bruke to ganger den absolutte momentum-kollisjonstiden, får vi en bedre, tilsvarende, glidende gjennomsnittlig lengde. Vi ser det i panel D fra tabell 2 i papiret: Tidsserier Momentum og teknisk analyse Ytelse og sammenligning Q1 (liten) Q2 Q3 Q4 Q5 (stor) MA TSMOM MA TSMOM MA TSMOM MA TSMOM MA TSMOM Panel D: Sharpe-forhold 10 0,47 0,38 0,41 0,31 0,42 0,28 0,37 0,25 0,16 0,30 0,21 0,28 0,22 0,25 0,19 0,12 0,08 100 0,27 0,19 0,22 0,15 0,21 0,18 0,19 0,16 0,12 0,11 200 0,20 0,13 0,17 0,12 0,17 0,15 0,19 0,14 0,13 0,10 Lagrene er i størrelse kvintiler fra Q1 (liten) til Q5 (stor). Look-back perioder fra 10 til 200 dager er i første kolonne. Leser på tvers av radene, er Sharpe-tallene for å flytte gjennomsnittlige (MA) og absolutte momentum (TSMOM) strategier med samme tilbaketrukne periode. Vi ser at, med unntak av Q5 (stor), hvis vi skifter MA-strategiene opp ett nivå slik at deres tilbakevirkningsperioder er dobbelt så lange (eller lengre når de går fra 50 til 10) som TSMOM-tilbakevirkningsperioder, få en nesten nøyaktig kamp av Sharpe-tallene. Basert på bruk av slike skiftede tilbaketrukket perioder som gjør MA og TSMOM strategier omtrent likeverdige, kan man ikke lenger si at porteføljestimuleringsregler basert på glidende gjennomsnitt klart overgår de absolutte momentummodellene. For å sammenligne absolutt momentum med å flytte gjennomsnittlige handelsregler, bør man undersøke en rekke verdier for hver. Vi gjorde dette og fant ut at de mest effektive momentumparametrene som ble brukt på forskjellige eiendeler og forskjellige tidsperioder, har mindre spredning enn de beste resultatene i gjennomsnitt. Parametrene for momentum. Da fordelene med momentuminvestering blir mer kjent, er det naturlig nok mer forskning å være gjort for å utforske sitt potensial. En del av den forskningen, som Moskowitz, Ooi og Pedersen papir Time Series Momentum, har vært utmerket. Vi foretrekker å påpeke og diskutere positive ting som det, men siden dette er en blogg om momentum, føler vi oss forpliktet til å snakke om momentumprodukter og forskning som kan være litt utenfor basen (Se Her kommer Market Neutral Momentum8230sort of). Ved utgangen av fjoråret utstedte Keller og van Putten et papir med navnet Generalized Momentum og Flexible Asset Allocation. Forfatterne brukte absolutt og relativ momentum til de tre øverste av 7 aktivaene ved å bruke data fra 1998 til 2012. De utviklet sine parametere på 8 års data fra 2005 til 2012, og indikerer at de validerte resultatene sine på 7 års tilleggsdata fra 1998 til 2004.De kaller dette en utvalgt validering, men de nevner andre steder i deres papir at de bestemte utseendetiden og antall midler til å investere i ved å se på et lengre spekter av data som inkluderer hele perioden 1998-2012 . For å dele en beskjeden mengde data i halvparten og ringe en del av det, er en test uten prøving ikke korrekt. Data snooping bias og modell over-montering er også vanlig praksis blant utøvere. Med hensyn til resultatene er åtte års data en svært liten prøvestørrelse for å bestemme investeringsmodellparametere. Resultatene deres på 7 år med data kan se anstendig fordi momentet er så robust at de fleste parametere over et bestemt område går ut OK. Imidlertid kan tilbakestesting på åtte års data ikke gi hva som egentlig er de beste parameterverdiene. Andre steder kan forfatterens papir være ganske forvirrende. Her er et eksempel, Noen ganger blir vår relative momentum kalt relativ styrke (RS, se Faber 2010) eller tidsserie momentum (se Thomas 2012). Vi vil også bruke termens returmoment for å bedre kontrast med volatilitet og korrelasjonsmoment. Tidsserie momentum er forskjellig fra relativ momentum (Se mitt innlegg Whatchmacallit). Videre, hva de kaller volatilitet og korrelasjonsmoment har ingenting å gjøre med momentum. Momentum handler om å velge eiendeler basert på utholdenhet i ytelsen, enten mot sine jevnaldrende (relative momentum) eller mot seg selv over tid (absolutt momentum). Dette gir ingen mening med hensyn til volatilitet eller korrelasjon. Forfatterne bruker faktisk volatilitet og korrelasjon som rangeringsfaktorer. De gjør det samme med retur, men etter at de velger dem ved hjelp av relativ og absolutt momentum. Forfatterne ende opp med å rangere eiendeler ved hjelp av vilkårlig vekt på henholdsvis 1,0, 0,5 og 0,5 for returmoment, volatilitet og korrelasjon. De forklarer ikke hvordan de kom opp med disse vektene. Jeg vil være forsiktig med å bruke informasjonen i dette papiret uten å gjøre betydelig mer analyse og tilbakestesting. Time Series Momentum Versus Moving Gjennomsnittlig Trading Rules, av Marshall, Nguyen, og Visaltanachoti er et akademisk papir som forsøker å avgjøre om langsiktige momentum trading regler slå sammenlignbare bevegelige gjennomsnittlige handelsregler. De gjør dette ved å sammenligne absolutt momentum (som de kaller tidsseriemoment) til sammenlignbare (i henhold til dem) flytte gjennomsnitt av størrelsesbaserte kvintiler av amerikanske aksjer ved bruk av 10, 50, 100 og 200 handelsdagers utseende. De har tillit til sine sammenligninger fordi deres korrelasjoner mellom momentum og flytende gjennomsnittlig avkastning generelt overskrider .8. Dette kan imidlertid ha noe å gjøre med bruk av daglig, i stedet for månedlig, returdata. Siden momentum er en mellomliggende anomali, studerer de fleste forskere ved å bruke månedlig avkastning. Vi får korrelasjoner som spenner fra .45 til .47 når vi sammenligner 12 måneders absolutt momentum månedlig avkastning til en rekkevidde på 4 til 32 måneders flytende gjennomsnittlig månedlig avkastning på det amerikanske aksjemarkedet de siste 38 årene. Vi bruker en rekke bevegelige gjennomsnittslengder fordi man ikke bare kan bruke samme tilbaketrukket periode for momentum og glidende gjennomsnitt og forventer sammenlignbare resultater. Forfatterne hint på dette selv når de sier at glidende gjennomsnitt går inn og ut av aksjer før. Deres papir identifiserer også gjennomsnittlige holdingsperioder for returintervaller på 10, 50, 100 og 200 handelsdager som 8, 22, 31 og 47 dager for å flytte gjennomsnittlige regler og 10, 32, 46 og 83 dager for momentumregler. Raskere oppføringer og utganger med bevegelige gjennomsnitt betyr at lengdene deres skal være lengre dersom man forventer at ytelsen tilsvarer ytelsen til absolutt momentum. Å velge samme utseende periode gjør ikke absolutt momentum og bevegelige gjennomsnitt er sammenlignbare. En gammel investeringskonsept er at glidende gjennomsnitt bør tegnes halvparten av deres lengde bak gjeldende pris på et lagerdiagram. En halvtidsforsinkelse betyr at tilbaketrukket perioden for et bevegelige gjennomsnitt vil være dobbelt så lang som tilbaketrekningsperioden for momentum for at de to skal være omtrent sammenlignbare. Det følgende diagrammet skal gjøre dette klart. Lar oss måle absolutt momentum fra midtpunktet til denne linjen ved 30 til sluttpunktet ved 50. Absolut momentum måler forskjellen mellom start - og sluttverdien, som i dette tilfellet er 20. Den beregnede glidende gjennomsnittsverdien fra begynnelsen av 30 til slutten av 50 er 40. Forskjellen mellom den bevegelige gjennomsnittsverdien på 40 og sluttverdien på 50 er bare 10, hvilket indikerer en svakere trend enn det ble identifisert ved hjelp av absolutt momentum. Hvis vi imidlertid begynner vårt bevegelige gjennomsnitt to ganger så langt tilbake til punktet 10, blir den beregnede glidende gjennomsnittsverdien 30 i stedet for 40, og forskjellen mellom den og sluttverdien er nå 20, det samme som med absolutt momentum. Tallene trener ikke alltid akkurat slik. Tilsvarende glidende gjennomsnittlig tilbaketrukket periode avhenger av prishandlingen langs lengden på det bevegelige gjennomsnittet. Det er imidlertid trygt å si at ved å bruke to ganger den absolutte momentum-kollisjonstiden, får vi en bedre, tilsvarende, glidende gjennomsnittlig lengde. Vi ser det i panel D fra tabell 2 i papiret: Tidsserier Momentum og teknisk analyse Ytelse og sammenligning Q1 (liten) Q2 Q3 Q4 Q5 (stor) MA TSMOM MA TSMOM MA TSMOM MA TSMOM MA TSMOM Panel D: Sharpe-forhold 10 0,47 0,38 0,41 0,31 0,42 0,28 0,37 0,25 0,16 0,30 0,21 0,28 0,22 0,25 0,19 0,12 0,08 100 0,27 0,19 0,22 0,15 0,21 0,18 0,19 0,16 0,12 0,11 200 0,20 0,13 0,17 0,12 0,17 0,15 0,19 0,14 0,13 0,10 Lagrene er i størrelse kvintiler fra Q1 (liten) til Q5 (stor). Look-back perioder fra 10 til 200 dager er i første kolonne. Leser på tvers av radene, er Sharpe-tallene for å flytte gjennomsnittlige (MA) og absolutte momentum (TSMOM) strategier med samme tilbaketrukne periode. Vi ser at, med unntak av Q5 (stor), hvis vi skifter MA-strategiene opp ett nivå slik at deres tilbakevirkningsperioder er dobbelt så lange (eller lengre når de går fra 50 til 10) som TSMOM-tilbakevirkningsperioder, få en nesten nøyaktig kamp av Sharpe-tallene. Basert på bruk av slike skiftede tilbaketrukket perioder som gjør MA og TSMOM strategier omtrent likeverdige, kan man ikke lenger si at porteføljestimuleringsregler basert på glidende gjennomsnitt klart overgår de absolutte momentummodellene. For å sammenligne absolutt momentum med å flytte gjennomsnittlige handelsregler, bør man undersøke en rekke verdier for hver. Vi gjorde dette, og fant ut at de beste resultatmomentparametrene som ble brukt på forskjellige eiendeler og forskjellige tidsperioder, har mindre spredning enn de beste resultatene for bevegelige gjennomsnittsparametere. 9. mars 2013 Det er et nytt forskningspapir ut av Wes Gray og Jack Vogel som er interessant ikke bare for momentum investorer, men for alle investorer og forskere. Papiret bruker Maksimal Drawdown til Capture Tail Risk. I det viser Wes og Jack at akademiske uregelmessigheter, identifisert av lineære faktormodeller (alpha), ofte ikke er store handelsstrategier. Wes og Jack velger elleve longshort-anomalier fra akademisk litteratur og viser at en rekke av dem, til tross for positive alfaer og attraktive Sharpe-forhold, viser svært store drawdowns som trolig ville utløse marginanrop og investoruttak på uoppnåelige tider. Seks av de elleve strategiene har drawdowns over 50, hvor de tre verste er 86,1, 84,7 og 83,5. (Longshort lager momentum er den med en 86 drawdown. Kanskje QuantShares bør revurdere å ringe sine longshort momentum aksje ETF, det amerikanske markedet Neutral Momentum Fund). Noen forskere ser på Sortino-forholdet, som fordeler meravkastning med nedadrettelsesvariabilitet, i stedet for total variabilitet, som Sharpe-forholdet. Inkluderende oppadgående variabilitet kan imidlertid være nyttig, spesielt når man evaluerer investeringsmuligheter med tilsvarende ulemper volatilitet. Verken Sharpe eller Sortino-forholdet vurderer hele omfanget av ulemper eksponering i ekstrem venstre hale av en distribusjon. Wes og Jack sier det er viktig for forskere og investorer å vurdere harerisiko. De foreslår å se på maksimal topp-til-dal tap (drawdown) knyttet til en tidsserie som en relativt enkel måte å gjøre dette på. De har en forklarende video på deres nøkkelferdige analytikerblogg, sammen med Excel VBA-makrokoden og et regneark for å beregne maksimal drawdown. (Det finnes også andre gode videoer der, og viser hvordan du bruker Excel for å bruke gjennomsnittlig variansoptimalisering og hvordan du beregner 3 eller 4 faktor alpha.) Selvfølgelig er maksimal drawdown ikke perfekt som et risikomåling. Det er ikke egnet til tradisjonell statistisk analyse, for eksempel konfidensintervaller. (På grunn av finansmarkedernes stokastiske karakter kan det hende at tradisjonell statistisk analyse ikke er så nøyaktig.) Maksimal drawdown er tidsavhengig 8211 jo lenger en track record, desto mer sannsynlig vil maksimal drawdown øke. Drawdown frekvens, samt størrelsen, er også viktig. Videre viser maksimal drawdown bare en enkelt hendelse som kan være en tilfeldig forekomst og ikke være representativ for hva fremtiden kan medføre. Andre måter å se på halerisikoforsøk på å håndtere disse bekymringene. Variabel betinget verdi (CVAR) forsøker å vise hva en drawdown vil mest sannsynlig se ut som en ekstrem hendelse. Ekstremt verdi teori (EVT) forsøker å identifisere store avvik fra medianene av sannsynlighetsfordelinger. Begge disse tilnærmingene er beregnende utfordrende og finnes sjelden i finanslitteratur. (Jeg pleide å beregne CVAR selv, men fant det ikke så intuitivt tiltalende som maksimal drawdown.) Wes og Jack har gjort en tjeneste for å vise hvordan de vanlige måtene å vurdere investeringsmuligheter, som alfa - og Sharpe-forhold, kan være alvorlig mangelfull. Hverken alfa, standardavvik eller maksimal nedtelling representerer et komplett mål for investeringsrisiko. Maksimal drawdown er god fordi den gir noen indikasjon på ekstrem hale risiko. Imidlertid ser jeg også bredere på strategidraksjon mot benchmarks drawdown under en rekke negative forhold. Jeg undersøker også interkvartile områder og ekstreme utelukkere ved hjelp av boksplott av dataene. Du kan se alle fire av disse metodene på jobben i mitt to-moment papir. Jeg håper andre forskere tar på seg snart og begynner å presentere mer enn bare Sharpe-forhold eller alfa som deres objektive funksjon. Disse betyr ofte lite alene når det gjelder ekte risikoeksponering. Halsrisiko er viktig for investorer, og det bør også ha betydning for forskere. Virkelig realisering av markedstiming med bevegelige gjennomsnitts - og tidsserier-momentumregler. Sitér denne artikkelen som: Zakamulin, V. J Asset Manag (2014) 15: 261.doi: 10.1057jam.2014.25 I denne artikkelen besøker vi mytene angående overlegen ytelse av markedstidsstrategier basert på flytende gjennomsnitt og tidsseriemomentregler. Disse aktive timingstrategiene er svært attraktive for investorer på grunn av deres ekstraordinære enkelhet og fordi de lover betydelige fordeler over sine passive kolleger. Den altfor gode til å være sann rapportert ytelse av disse markedstidsreglene gir imidlertid et legitimt spørsmål om hvorvidt denne ytelsen er realistisk, og om investorene kan forvente at fremtidig ytelse vil være den samme som den dokumenterte historiske forestillingen. Vi argumenterer for at den rapporterte utviklingen av markedstidsstrategier vanligvis inneholder en betydelig data mining bias og ignorerer viktige markedsfriksjoner. For å løse disse problemene, utfører vi ikke-prøvetest av disse to timingmodellene, der vi står for realistiske transaksjonskostnader. Våre funn viser at utførelsen av markedstidsstrategier er høyt overvurdert, for å si mildt. teknisk analyse markedet timing enkel beveger gjennomsnittlig tidsserie momentum ut-av-prøve testing Referanser Anderson, R. M. Bianchi, S. W. og Goldberg, L. R. (2012) Vil min risikoparitetsstrategi overgå Financial Analysts Journal 68 (6): 7593. CrossRef Google Scholar Aronson, D. (2006) Evidensbasert teknisk analyse: Anvendelse av den vitenskapelige metoden og statistisk inngripen til handelssignaler, New Jersey: John Wiley amp sons. CrossRef Google Scholar Asness, C. S. Frazzini, A. og Pedersen, L. H. (2012) Utnyttelse av aversjon og risikoparitet. Finansanalytiker Journal 68 (1): 4759. CrossRef Google Scholar Bauer, R. J. og Dahlquist, J. R. (2001) Market timing og roulette hjul. Financial Analysts Journal 57 (1): 2840. CrossRef Google Scholar Berkowitz, S. A. Logue, D. E. og Noser, E. A. (1988) De totale kostnadene ved transaksjoner på NYSE. Journal of Finance 43 (1): 97112. CrossRef Google Scholar Bessembinder, H. (2003) Problemer med å vurdere eksekveringsutgifter for handel. Journal of Financial Markets 6 (3): 233257. CrossRef Google Scholar Bodie, Z. Kane, A. og Marcus, A. J. (2007) Investeringer, New York: McGraw Hill. Google Scholar Brock, W. Lakonishok, J. og LeBaron, B. (1992) Enkle tekniske handelsregler og de stokastiske egenskapene til aksjen returnerer. Journal of Finance 47 (5): 17311764. CrossRef Google Scholar Chakravarty, S. og Sarkar, A. (2003) Handelsutgifter i tre amerikanske obligasjonsmarkeder. Journal of Fixed Income 13 (1): 3948. CrossRef Google Scholar Chan, L. K.C. og Lakonishok, J. (1993) Institutional trades og intraday aksjekurs oppførsel. Journal of Financial Economics 33 (2): 173199. CrossRef Google Scholar Dermody, J. C. og Prisman, E. Z. (1993) Ingen arbitrage og verdsettelse i markeder med realistiske transaksjonskostnader. Journal of Financial and Quantitative Analysis 28 (1): 6580. CrossRef Google Scholar Edwards, A. K. Harris, L. E. og Piwowar, M. S. (2007) Transaksjonskostnader og gjennomsiktighet for bedriftsmarkedet. Journal of Finance 62 (3): 14211451. CrossRef Google Scholar Faber, M. T. (2007) En kvantitativ tilnærming til taktisk ressursallokering. Journal of Wealth Management 9 (4): 6979. CrossRef Google Scholar Freyre-Sanders, A. Guobuzaite, R. og Byrne, K. (2004) En gjennomgang av trading cost model: Redusere transaksjonskostnader. Journal of Investing 13 (3): 93116. CrossRef Google Scholar Gartley, H. M. (1935) Fortjeneste på børsen, Pomeroy (Washington): Lambert Gann Pub. Google Scholar Gwilym, O. Clare, A. Seaton, J. og Thomas, S. (2010) Pris og fart som robuste taktiske tilnærminger til global egenkapitalinvestering. Journal of Investing 19 (3): 8091. CrossRef Google Scholar Hansen, P. R. og Timmermann, A. (2013) Valg av prøvespredning i ikke-utvalgte prognosevalueringer. European University Institute, Stanford University og CREATES. Arbeidspapir. Hudson, R. Dempsey, M. og Keasey, K. (1996) Et notat om kapitalmarkedernes svake form: Anvendelse av enkle tekniske handelsregler til britiske aksjekurser 1935 til 1994. Journal of Banking and Finance 20 (6 ): 11211132. CrossRef Google Scholar Jegadeesh, N. og Titman, S. (1993) Returnerer til å kjøpe vinnere og selge tapere: Konsekvenser for aksjemarkedets effektivitet. Journal of Finance 48 (1): 6591. CrossRef Google Scholar Kilgallen, T. (2012) Testing av det enkle glidende gjennomsnittet på varer, globale aksjeindekser og valutaer. Journal of Wealth Management 15 (1): 82100. CrossRef Google Scholar Knez, P. J. og Ready, M. J. (1996) Estimerer fortjenesten fra handelsstrategier. Gjennomgang av Financial Studies 9 (4): 11211163. CrossRef Google Scholar Lukac, L. P. og Brorsen, B. W. (1990) En omfattende test av fremtidige markedssvikt. Finansiell gjennomgang 25 (4): 593622. CrossRef Google Scholar Lukac, L. P. Brorsen, B. W. og Irwin, S. H. (1988) En test av futures markedet ulikvikt ved hjelp av tolv forskjellige tekniske handelssystemer. Anvendt økonomi 20 (5): 623639. CrossRef Google Scholar Marcellino, M. Stock, J. H. og Watson, M. W. (2006) En sammenligning av direkte og itererte multistep AR metoder for prognoser makroøkonomiske tidsserier. Journal of Econometrics 135 (12): 499526. CrossRef Google Scholar Modigliani, F. og Modigliani, L. (1997) Risikojustert ytelse. Journal of Portfolio Management 23 (2): 4554. CrossRef Google Scholar Moskowitz, T. J. Ooi, Y. H. og Pedersen, L. H. (2012) Tidsserie momentum. Journal of Financial Economics 104 (2): 228250. CrossRef Google Scholar Okunev, J. og White, D. (2003) Fungerer momentumbaserte strategier fortsatt i utenlandske valutamarkeder Journal of Financial and Quantitative Analysis 38 (2): 425447. CrossRef Google Scholar Park, C.-H. og Irwin, S. H. (2007) Hva vet vi om lønnsomheten til teknisk analyse Journal of Economic Surveys 21 (4): 786826. CrossRef Google Scholar Pesaran, M. H. Pick, A. og Timmermann, A. (2011) Variabel utvelgelse, estimering og inferens for flere prognoseproblemer. Journal of Econometrics 164 (1): 173187. CrossRef Google Scholar Rossi, B. og Inoue, A. (2012) Prognoseforsøk utenfor prøven er robuste for valg av vinduestørrelse. Journal of Business and Economic Statistics 30 (3): 432453. CrossRef Google Scholar Shin, S. og Soydemir, G. (2010) Exchange-traded funds, utholdenhet i sporing feil og informasjon formidling. Journal of Multinational Financial Management 20 (45): 214234. CrossRef Google Scholar Siegel, J. (2002) Aksjer for Long Run, New York: McGraw-Hill Companies. Google Scholar Sortino, F. A. og Price, L. N. (1994) Ytelsesmåling i et nedsatt risikoramme. Journal of Investing 3 (3): 5965. CrossRef Google Scholar Sullivan, R. Timmermann, A. og White, H. (1999) Data-snooping, teknisk trading regelprestasjon, og bootstrap. Journal of Finance 54 (5): 16471691. CrossRef Google Scholar Welch, I. og Goyal, A. (2008) Et omfattende blikk på den empiriske utviklingen av egenkapitalprestasjon. Gjennomgang av Financial Studies 21 (4): 14551508. CrossRef Google Scholar White, H. (2000) En virkelighetskontroll for data-snooping. Econometrica 68 (5): 10971126. CrossRef Google Scholar Opphavsrettsinformasjon Palgrave Macmillan, en avdeling av Macmillan Publishers Ltd 2014 Forfattere og tilknytninger Valeriy Zakamulin 1 E-post forfatter 1. Handels - og lovskole, Agder Kristiansand Norge Om denne artikkelen
No comments:
Post a Comment