A estabilidade das regras de negociação média móvel sobre a. Este artigo analisa o comportamento da média móvel das regras de negociação técnicas aplicadas a mais de 100 anos do Dow Jones (Dow Jones) Índice Industrial. Verifica-se que as diferenças entre os meios condicionais durante os períodos de compra e venda mudaram dramaticamente nos últimos 10 anos em relação aos 90 anos anteriores de dados, mas as diferenças nas variâncias condicionais não mudaram muito em toda a amostra. Outras verificações de robustez indicam que resultados semelhantes poderiam ser obtidos com estratégias baseadas em momentum simples. A análise é realizada na série Dow, mas essas técnicas podem ser úteis em mercados derivados, onde melhores estimativas de médias e variâncias condicionais seriam informações úteis. Escola de Pós-Graduação em Economia e Finanças Internacionais, Universidade Brandeis, 415 South Street, Mailstop 021, Waltham, MA. Stanley. feldberg. brandeis. edu blebaron. O autor agradece a dois árbitros anônimos por comentários. 2 1 Introdução A capacidade de regras simples para prever movimentos de preços de ativos, ou análise técnica, tem sido um tema controverso por muitos anos. Enquanto a comunidade acadêmica geralmente detém analistas técnicos com desdém, seu recente fascínio com a previsibilidade reabriu muitos dos antigos casos contra a análise técnica. Ao invés de simplesmente ignorar as regras utilizadas pelos técnicos acadêmicos foram cuidadosamente escrutínio-los. 1 As evidências ainda parecem um pouco inconclusivas sobre a utilidade dessas regras, mas isso está em contraste com os resultados anteriores que sugeriram que qualquer um seguindo estes foi menos racionalmente motivado. A literatura moderna avançou em trazer testes mais rigorosos e metodologia econométrica. A introdução do bootstrap permite testar várias hipóteses nulas complexas para as quais as abordagens analíticas seriam impossíveis. Ele também oferece um método possível para ajustar os viés induzidos pelo snooping de dados. Para o econometrista, as regras técnicas de negociação podem ser vistas simplesmente como um conjunto de condições de momento que podem ser usadas tanto no teste de especificação quanto na estimativa. 2 Eles, portanto, desempenham um duplo papel como um comportamento interessante que pode ter algum valor prático, e como uma descrição de dados que teóricos econômicos devem estar cientes. Este artigo reexamina o Dow Jones Industrials com respeito a simples regras de média móvel. Utilizando o Dow Jones Industrials, Brock et al. (1992) mostraram que a média móvel de regras técnicas de negociação tinha algumas habilidades preditivas em ambos os meios condicionais e variâncias. Além disso, mostraram que estes resultados eram relativamente estáveis durante o período de amostragem de 90 anos. Recentemente, Sullivan e Timmerman amp White (1999) demonstraram que embora pareça improvável que essas regras fossem observadas da amostra anterior, seu desempenho de previsão nos últimos anos desapareceu. Este importante resultado levanta muitas questões sérias sobre as regras de negociação e a estacionariedade das séries de tempo financeiro. Este artigo explora ainda mais o desempenho destas regras e compara os últimos 10 anos com o resto do século. Quando analisadas à luz da média móvel das regras de negociação, surgem semelhanças e diferenças muito interessantes. Este trabalho corrobora e amplia os resultados em Sullivan et al. (1999). Primeiro, a análise é realizada sobre variâncias condicionais, bem como meios condicionais. Em segundo lugar, algumas outras verificações de robustez são realizadas, juntamente com algumas comparações com outras regras. Especificamente, uma estratégia dinâmica baseada em momentum mais simples parece ser muito semelhante às regras da média móvel. Os testes implementados neste artigo dizem apenas respeito ao mercado à vista. Entretanto, há uma série de testes diretos que criticam as regras técnicas em Fama amp Blume (1966). Veja Brock, Lakonishok amp LeBaron (1992) para um extenso resumo da literatura sobre comércio técnico. Para um exemplo recente de algumas das mais recentes evidências, ver Acar amp Satchell (1998). 2 Para um exemplo deste último ver LeBaron (1992). 1 3 impacto dessas tecnologias em vários mercados de derivativos. Primeiro, a previsibilidade média pode afetar o preço das opções como em Lo amp Wang (1995). Além disso, é óbvio que um preditor útil de segundos momentos pode proporcionar melhores estratégias de negociação dinâmica em mercados de opções como em Engle amp Mustafa (1992), ou como uma ferramenta de estimativa de valor em risco. A primeira seção descreve a série de dados diários do Dow. A segunda seção examina várias medidas de meios condicionais durante os períodos pré e pós 1986. A terceira seção realiza testes semelhantes em variâncias condicionais. A quarta seção fornece algumas verificações de robustez sobre as regras técnicas de negociação e mostra que é possível que regras ainda mais simples possam gerar resultados semelhantes. A seção final conclui e retorna às perguntas sobre o snooping de dados, ea estacionaridade de dados à luz desta nova evidência. 2 Dados Os dados utilizados serão os diários da Dow Jones Industrials de janeiro de 1897 até fevereiro. Esta série inclui as séries utilizadas em Brock et al. (1992) (doravante BLL) como um subconjunto, mas acrescenta mais 10 anos após o seu ponto de paragem em. Este extra 10 anos de dados é iniciado em 1988 para evitar a corrida e crash de 1987, que teria um impacto dramático em um curto amostra. A série completa inclui um total de dias. As séries utilizadas não incluem dividendos, pelo que deve ser tomado algum cuidado ao utilizar estas séries para avaliar o desempenho a longo prazo. Como este artigo concentra-se apenas no comportamento de médias condicionais e variações, a adição do processo de dividendos agregados provavelmente não afetaria muito os resultados. A Tabela 1 mostra algumas estatísticas resumidas para os retornos diários de várias das subamostras que serão consideradas. Os retornos são calculados como diferenças log, r t log (p t) log (p t 1), (1) para todos os casos considerados neste artigo. A tabela mostra muito pouca informação nova para aquelas familiar com a série relativamente alta do preço do recurso da freqüência. Existe uma grande quantidade de excesso de curtose em todas as subamostras, o que é uma característica comum. Uma característica interessante que é um pouco incomum é os grandes retornos diários que ocorreram ao longo da última década. Embora seja bem conhecido que o Dow tem vindo a aumentar de forma constante, é surpreendente que o retorno diário é quase 3 vezes a média ao longo do século. 2 4 3 Meios condicionais Tabela 1: Estatísticas sumárias (fevereiro) (fevereiro) Média () Var Skewness Kurtosis Este artigo usa regras de negociação técnicas de média móvel comumente aplicadas para a maioria dos testes. Estes comparam o preço com uma média móvel dos preços passados, m t 1 N N 1 i0 P t i. (2) Há muitas combinações possíveis de médias móveis que são usadas na prática, mas este papel concentrar-se-á em uma implementação muito simples. Considera-se que um dia tem um sinal de compra quando P t m t, e um sinal de venda quando P t ltm t. 3 A regra é então aplicada ao retorno de t para t 1. As médias e variâncias condicionais serão estimadas durante este período e classificadas como compra ou venda dependendo do sinal de tempo t. Uma das regras de execução mais consistentes historicamente é aquela que usa N 150 dias. Esta regra sozinha será usada. Artigos anteriores, Brock et al. (1992) e LeBaron (1998) já demonstraram que ele funciona bem em diferentes períodos. Além disso, LeBaron (1998) mostra que uma ampla gama de regras de N 50 a N 200 geram resultados semelhantes. A Tabela 2 apresenta estimativas do retorno médio condicional durante os períodos de compra e venda indicados pela regra da média móvel de 150 dias. A primeira coluna, denominada Buy-Sell, relata a diferença entre a média condicional dos períodos de compra e venda. A segunda coluna, denominada Buy-All, informa a diferença entre os retornos do período Buy e o retorno médio incondicional sobre a amostra apropriada. Sell-All relata uma estimativa similar para os períodos de venda. Os números entre parênteses são uma simples estatística t que sob a hipótese nula de que as médias são iguais seria distribuído N (0, 1). 4 Os números entre parênteses são simulados p-valores de 1000 bootstrap simulações de uma caminhada aleatória. Este método gera novo retorno 3 Isso corresponde a um dos conjuntos de regras usadas em Brock et al. (1992). 4 As t-stats são formadas como micro b micro s z sigma 2 b N b sigmas 2Ns. Números semelhantes são usados para os casos de Compra-Tudo, Venda-Todos. Existem vários problemas com o uso de um simples teste t aqui. Os retornos subjacentes não são normalmente distribuídos, portanto, eles só são válidos assintoticamente. Em segundo lugar, o Buy-All, Sell-All medições são baseadas em amostras com um grande conjunto de valores comuns. Estes estão longe de empates independentes. O bootstrap ajusta para ambos os problemas. 3 5 séries sorteadas aleatoriamente com substituição da série de retornos reais. A partir dessas séries de tempo simuladas é produzida uma nova série de preços de caminhada aleatória geométrica. Isto permite testar uma hipótese nula onde os retornos seguem a mesma distribuição incondicional que os retornos reais, mas toda a dependência na série é destruída. 5 Os p-valores relatam a fração de simulações bootstrap que dão valores tão grandes quanto o da amostra original. Para a amostra inteira, e a subamostra anterior, os resultados confirmam os de BLL. Os meios do período da compra são maiores, e os meios do período da venda são menores. Isso concorda com as três medidas usando tanto as estatísticas-t, quanto os valores p-bootstrap. Na última amostra os resultados mudam drasticamente. Não só é o retorno de compra não mais significativamente maior do que o retorno de venda, é realmente menor do que tanto o retorno de venda, ea média incondicional. As estatísticas-t e os valores de p-bootstrap adequadamente nos advertem que estes são provavelmente insignificantes. No entanto, o fato é que não há mais uma diferença importante nos meios condicionais entre os períodos. Uma distinção final entre as amostras é dada na coluna denominada Fração de Compra. Isso informa a fração de dias que são rotulados como um período de compra pela regra. A dramática corrida no mercado de ações no período posterior é representado aqui por um grande aumento nos períodos de compra. Move-se de 62 para toda a amostra, para um dramático 81 na última subamostra. Isto juntamente com o grande aumento no retorno médio dá uma indicação de que algo incomum tem acontecido nos últimos 10 anos. Tabela 2: Meios Condicionais Série Compra-Venda () Compra-Todos () Venda-Todos () Comprar Fração (Fev) (4.60) (2.22) (-3.10) 0.00 0.00 1.00 (4.73) (2.36) (-3.09) 0.00 0,00 1,00 (fevereiro) (-1,12) (-0,37) (0,922) 0,84 0,80 0,15 Retornos médios condicionais durante os períodos de compra e venda usando a regra da média móvel de 150 dias. Buy-Sell é a diferença entre comprar e vender período significa. Buy-All e Sell-All são as diferenças entre o período de compra ea média incondicional eo período de venda ea média incondicional. Os números entre parênteses são t-estatísticas sobre as médias e os números entre parênteses representam a fração de 1000 simulações aleatórias bootstrap de caminhada gerando uma média condicional equivalente tão grande quanto a amostra. Para obter uma imagem mais detalhada da dinâmica de como os meios condicionais estão mudando, a figura 1 mostra uma janela de rolamento do teste t simples realizado na tabela 2. Uma janela de 5 anos é movida em toda a área. (1992) e LeBaron (1998) para aplicações financeiras. Um resumo muito agradável para o financiamento está contido em Maddala amp Li (1996). A metodologia bootstrap é devida a Efron (1979), e uma referência útil é Efron amp Tibshirani (1993). 4 6, e o t-test Buy-Sell é registrado em cada janela. A janela é movida em incrementos de meio ano, portanto, há uma grande sobreposição entre janelas. A figura é importante na apresentação de várias características diferentes dos dados. Primeiro, é claro que algo incomum parece estar acontecendo nos períodos de tempo mais recentes. Não só a diferença média é negativa, mas está atualmente registrando valores historicamente pequenos, dados os últimos 100 anos de dados. Também é interessante notar a variabilidade relativa dos resultados. Os valores parecem ter longas oscilações nas regiões positivas e negativas. 4 Variâncias condicionais Os resultados no BLL foram além das médias condicionais e também testaram as variâncias condicionais. Estes requerem o uso do bootstrap para determinar a significância estatística. 6 A Tabela 3 relata os rácios das variâncias estimadas durante os períodos de compra e venda e relativos a todos os períodos. A primeira linha mostra que a relação entre as variações entre os períodos de compra e venda é de apenas 0,43, indicando que a variação da compra é inferior a metade da variação durante os períodos de venda. Os dois valores abaixo dele entre parênteses são os valores p de bootstrap para dois modelos nulos diferentes. Primeiro, a caminhada aleatória é repetida como feito na seção anterior. Segundo, uma vez que as variâncias condicionais são agora uma parte fundamental do que está acontecendo, um modelo GARCH simples (1,1) é ajustado à série de retornos. Os resíduos normalizados deste são codificados e usados para construir dados representativos de GARCH (1,1). 7 Os valores de 1 indicam que nenhum dos modelos simulados pode gerar uma taxa de variância tão grande quanto a dos dados. Isto é válido para todas as três razões de variância. Para a relação SellAll, lembre-se que, uma vez que este é invulgarmente grande, o valor p simulado é agora zero, indicando que todos os valores simulados foram menores. Observando as subamostras, observa-se um padrão semelhante. O mais interessante é que, em forte contraste com a tabela 2, as diferenças de variação não mudam indo para o período mais recente de 10 anos. A relação entre os desvios de compra e venda é de 0,51 nos últimos 10 anos, o que é muito próximo do da amostra inteira. As simulações indicam novamente que as diferenças são significativas. Para as variâncias condicionais, o padrão de variâncias menores durante os períodos de compra permaneceu relativamente constante em toda a amostra, ao contrário do padrão para as médias condicionais. A Tabela 4 repete os resultados da tabela anterior para desvios absolutos. A variância é agora substituída pelo desvio absoluto esperado, E r t E (r t). É possível que testes para variâncias condicionais pudessem ter sido desenvolvidos usando objetos semelhantes a F-test, mas a não-normalidade da série de retornos diários torna isso impossível. 7 Modelos GARCH desenvolvidos por Bollerslev (1986) e relacionados aos modelos ARCH de Engle (1982) são comumente usados em finanças para modelar movimentos em variâncias condicionais. Bollerslev, Engle amp Nelson (1995) e Bollerslev, Chou, Jayaraman amp Kroner (1990) são pesquisas úteis desta ampla literatura. 5 Tabela 3: Razões de Desvio Condicional Série BuySell ComprarTodos SellAll (Fev) GARCH bootstrap 1,00 1,00 0,00 GARCH bootstrap 1,00 1,00 0,00 (Fev) RW bootstrap 1,00 1,00 0,001 GARCH bootstrap 1,00 0,999 0,00 BuySell mostra a razão das variações condicionais durante a compra e venda Períodos. BuyAll e SellAll são as razões com as variações incondicionais. Os números entre parênteses são, como rotulado, caminhada aleatória, e GARCH (1,1) bootstraps p-values, dando a fração de 1000 simulações gerando um valor tão grande quanto aquele nos dados. Durante os períodos de compra e venda. Esta é uma verificação de robustez importante para os resultados anteriores. Eles podem ter sido conduzidos por alguns grandes outliers causando algumas das estimativas de variância para se tornar muito grande. Os desvios absolutos são menos sensíveis aos outliers. A tabela repete todos os resultados para as variâncias condicionais exatamente, indicando que os outliers em qualquer uma das subamostras provavelmente não foram a causa. Tabela 4: Razões de Desvio Absoluto Média Condicional Series BuySell BuyMean SellMean GARCH bootstrap 1,00 1,00 0,00 GARCH bootstrap 1,00 1,00 0,00 Feb RW bootstrap 1,00 1,00 0,001 GARCH bootstrap 1,00 0,999 0,00 0.00 BuySell mostra a proporção dos desvios absolutos condicionais durante os períodos de compra e venda. BuyAll e SellAll são as razões com os desvios absolutos incondicionais. Os números entre parênteses são, como rotulado, caminhada aleatória, e GARCH (1,1) bootstraps p-values, dando a fração de 1000 simulações gerando um valor tão grande quanto aquele nos dados. As mudanças na variância condicional relatadas aqui estão relacionadas com o bem conhecido efeito de alavanca documentado originalmente em Black (1976). 8 A Tabela 5 fornece uma verificação rápida sobre se a previsão baseada em regras de negociação está apenas pegando informações provenientes do aumento ou queda do dia anterior. A tabela reporta variações condicionais para t 1, tanto para todos os períodos de compra e de venda, quanto para outras condições, no sinal do retorno do dia anterior. A tabela mostra que o condicionamento no retorno do dia anterior não elimina a diferença para obter mais informações e técnicas de modelagem (ver também (Nelson 1991) e (Bollerslev et al., 1995). 6 8 na volatilidade entre os períodos de compra e venda na amostra completa ou no subperíodo recente. Parece que ainda há algum impacto de r t para qualquer um dos subconjuntos, mas é relativamente pequeno. Embora nenhum teste estatístico seja fornecido aqui, esta tabela é sugestiva de que a média móvel está fornecendo mais informações do que as provenientes do dia anterior sozinho em termos de previsões de variância. Variação condicionada ao sinal técnico (coluna) e sinal de dias anteriores retorno (linha). Tanto esta seção como a anterior implicam que a previsibilidade dos retornos pode ser usada em uma estratégia de negociação dinâmica. A Tabela 6 fornece informações sobre os índices de Sharpe incondicionais de seguir várias estratégias dinâmicas simples ao longo dos diferentes períodos de tempo. Os números apresentados são os rácios de Sharpe anuais (Sharpe 1994). Buy and Hold segue uma estratégia de compra e retenção. BuySell toma uma posição longa ou curta, dependendo se um sinal de compra ou venda é dado. 9 Buy corresponde a uma estratégia de compra durante os períodos de compra e mantém um ativo livre de risco ganhando um retorno de 3% durante os períodos de venda. A relação de Sharpe é estimada usando variância zero durante os períodos de venda. A coluna etiquetada compra usa a variação diária incondicional como a estimativa de variância no período de compra, ea coluna denominada variância buybuy usa a variância condicional durante os períodos de compra. Esta última medida deve ser a verdadeira razão de Sharpe para esta estratégia, mas a outra medida é útil para comparação. A tabela mostra que, para toda a amostra, a estratégia supera a buy and hold, e seria melhor implementá-la ativando apenas durante os períodos de compra. Finalmente, a redução da variância condicional durante os períodos de compra tem um impacto na relação de Sharpe. A segunda linha mostra que nenhum destes resultados se mantém durante os últimos 10 anos. Os índices de Sharpe estão realmente em uma escala que pôde ser interessante, mas são todos negativos como indicado compram os resultados mais adiantados em meios condicionais. Tabela 6: Série Sharp Ratios Compre e Segure BuySell Buy BuyBuy Variance (Feb) Isso é feito principalmente para comparação. É improvável que esta estratégia teria sido viável durante grande parte do período de tempo, uma vez que teria sido difícil encurtar o Dow. 7 9 5 Estratégias Momentum É claro que a estratégia de média móvel não está procurando nada mais complicado do que uma persistência simples na série de retornos. Isso pode ser uma persistência que é difícil de ver usando autocorrelações tradicionais. Uma abordagem um pouco mais simples para a criação de sinais de negociação é olhar para os retornos nos últimos 150 dias, em vez de usar as comparações de preço médio móvel. 11 A Tabela 7 mostra os resultados para uma estratégia de impulso de 150 dias juntamente com a estratégia de média móvel. Esta estratégia registra uma compra no tempo t, se P t P t 150, e uma venda de outra forma. Para a amostra inteira, as duas estratégias são surpreendentemente próximas uma da outra. Ao longo do subperíodo mais recente, a estratégia de impulso inverte sinais como faz a média móvel, mas é realmente significativamente negativo para a diferença de compra-venda. Tabela 4: Meios Condicionais: Momentum Comparação Séries Método Buy-Sell () Buy-All () Vender-Todos () (Fev) Média Móvel (4.60) (2.22) (-3.10) Momentum (4.21) (2.04) (-2.86 ) (2,12) (-0,37) (0,922) Momentum (-2,55) (-0,73) (2,18) Retornos médios condicionais durante os períodos de compra e venda usando a média móvel de 150 dias e as regras de momentum. Buy-Sell é a diferença entre comprar e vender período significa. Buy-All e Sell-All são as diferenças entre o período de compra ea média incondicional eo período de venda ea média incondicional. Os números entre parênteses são t-estatísticas sobre os meios. A Tabela 8 repete os resultados para as variâncias condicionais usando a informação de condicionamento de momento. Esta tabela mostra que há pouca mudança passando da estratégia de média móvel para a estratégia de momentum. Por exemplo, a razão buysell vai de 0,43 para a média móvel para 0,44 para a medida de momento em toda a amostra. Características semelhantes são dadas para as outras medidas, e ambos os subperíodos parecem ser bastante semelhantes. Estes resultados sugerem que estas duas regras técnicas podem ser muito semelhantes na prática, e não há nada particularmente especial ou importante sobre a representação da média móvel. Isto está relacionado com os testes mais sensíveis para o comportamento de caminhada aleatória desenvolvidos em Lo amp MacKinlay 1988. Além disso, processos com estas propriedades foram modelados por (Taylor 1992) e (LeBaron 1992). 11 Acar (1993) mostra como mapear regras técnicas de espaço de preços em espaço de devoluções. A regra de média móvel pode ser formulada como uma soma ponderada de retornos passados, mas a estratégia de momentum é uma simples soma de retornos passados. É uma experiência interessante para ver se esta regra pega qualquer coisa diferente das regras de média móvel. Além disso, ver Chan, Jegadeesh amp Lakonishok (1996) e Jegadeesh amp Titman (1993) para exemplos de seções de retorno. Esses resultados são consistentes com os achados em Acar amp Lequeux (1996), que descobrem que mesmo para uma caminhada aleatória, a correlação entre uma estratégia de média móvel e uma estratégia de momento é de 10 Tabela 8: Variância Condicional: Momentum Comparison Series Método BuySell BuyMean () Sell - Motivo GARCH bootstrap 1,00 1,00 0,00 (Fev) Momentum GARCH bootstrap 1,00 1,00 0,00 (Fev) Momentum GARCH bootstrap 1,00 1,00 0,00 (Fev) Momentum GARCH bootstrap 1,00 1,00 0,00 (Fev) Média Móvel GARCH bootstrap 1,00 0,00 0,00 0,00 BuySell mostra a razão das variâncias condicionais durante Comprar e vender períodos usando a estratégia de impulso de 150 dias. BuyAll e SellAll são as razões com as variações incondicionais. Os números entre parênteses são, como rotulado, caminhada aleatória, e GARCH (1,1) bootstraps p-values, dando a fração de 1000 simulações gerando um valor tão grande quanto aquele nos dados. 6 Conclusões Este trabalho é um breve acompanhamento de Brock et al. (1992) examinando o que aconteceu com algumas das estratégias que usaram nos anos intermediários. Outros pesquisadores já mostraram mudanças dramáticas nos meios condicionais, e esses são repetidos aqui. Este artigo realiza diagnósticos adicionais verificando a relação de variância. Em contraste com os meios, eles parecem ser bastante consistentes ao longo do tempo e robustos ao uso de medidas de volatilidade de valor absoluto. Finalmente, é mostrado que muitos resultados semelhantes poderiam ser obtidos usando um tipo de momento simples de estratégia de negociação. No lado prático da utilização de regras de negociação, este artigo mostra que usá-los para prever meios condicionais pode ser muito perigoso no mercado atual. Esse perigo está acima e além dos problemas habituais de custos de transação e questões relacionadas à implementação efetiva de uma estratégia. No entanto, continua a ser visto se os recursos de previsão da volatilidade da estratégia podem oferecer uma vantagem em opções de negociação ou gerenciamento de risco. Este artigo sugere que tal estudo pode ser muito interessante, uma vez que a previsibilidade da variância condicional é robusta em todos os períodos. A Figura 1 representa um ponto visual dramático sobre a estabilidade das regras técnicas de negociação. Ele abre profundas questões filosóficas sobre dados snooping, e stationarity. Tem alguma coisa sobre a dinâmica dos preços das ações mudou nos últimos 10 anos, ou foi a tendência original após a estratégia extraída dos 90 anos de dados anteriores Resultados em (Sullivan et al., 1999) sugerem que foi uma mudança nos dados, Uma vez que o seu teste tenta ajustar para data mining na amostra anterior. No entanto, nenhum teste para mineração de dados é perfeito, pois depende da simulação do processo de espionagem que poderia estar ocorrendo. Nenhum teste formal pode ser realizado para responder a esta pergunta, mas a figura 1, juntamente com alguns fatos históricos sobre o comércio técnico que foram dadas na BLL parecem defender as conclusões de Sullivan et al. (1999). A BLL tomou o cuidado de usar regras que haviam existido na comunidade comercial técnica há algum tempo e não tentou executar nenhum ajuste extra de parâmetro sobre suas amostras. Algumas dessas regras têm sido utilizadas desde o início do século. Dado que eles não estavam sintonizados com a amostra de 90 anos anterior, os resultados nos últimos 10 anos são ainda mais interessantes. Esta característica arbitrária dos dados mudou drasticamente, e neste contexto, parece impossível que os últimos 10 anos poderia ser um empate de qualquer período de 10 anos nos 90 anos de história. 13 Embora seja impossível nunca evitar completamente os problemas de pesquisa de dados, os resultados aqui sugerem que algo mudou dramaticamente. Um resultado final deste pequeno estudo sugere que as regras que foram utilizadas em Brock et al. (1992) poderiam ter sido substituídas por outras mais simples. Estratégias baseadas em momentum simples mostram desempenho semelhante usando ambas as medidas de previsibilidade. Simplicidade e parcimônia são uma virtude tanto para as regras de negociação técnicas como para outros métodos de séries temporais mais tradicionais, por isso é importante ver que uma regra mais simples poderia ter feito tão bem. Muitas regras técnicas usam muitas combinações mais complexas de padrões de média móvel, e seria interessante descobrir qual é o valor agregado destes. No entanto, no mundo não-estacionário sugerido por esses resultados, a robustez pode ser uma virtude muito maior do que se pensava. 14 Os resultados relatados em Brock et al. (1992) mudaram claramente nos últimos anos. Entretanto, seus resultados na previsão da variância condicional permanecem estáveis. As causas da primeira mudança continuam sendo uma interessante questão em aberto. Eles podem ter a ver com tecnologia, melhores informações de preços e custos de transação mais baixos, ou possivelmente uma maior atenção agora é dada às regras técnicas de negociação. Em todos os casos, as mudanças na rentabilidade dessas estratégias dinâmicas fornecem uma importante informação sobre como funcionam os mercados. Se os comerciantes têm realmente negociado os lucros de distância, então um estudo interessante seria olhar para o lado volatilidade da imagem de uma luz semelhante. Existe uma estratégia dinâmica que iria empurrar as variações condicionais para eachother Esta é uma questão muito mais complicada do que para os meios, mas seria uma pergunta muito interessante para responder. 13 Lembre-se, que os dados que espionam contra isso seria que as regras foram ajustadas ao longo dos 90 anos de história anterior para maximizar a diferença de compra-venda condicional. Neste caso, não é tão surpreendente que os últimos 10 anos parecem diferentes. 14 Ver (Bookstaber 1999) para exemplos de robustez e regras de decisão de curso em finanças. 10 12 Referências Acar, E. (1993), Avaliação Econômica de Previsão Financeira, tese de doutorado, City University Business School, Londres, Reino Unido. Acar, E. amp Lequeux, P. (1996), Estratégias dinâmicas, um estudo de correlação, em C. Dunis, ed. Previsão de mercados financeiros, Wiley, pp Acar, E. amp. Satchell, S. (1998), Regras de Negociação Avançadas, Butterworth-Heinemann, Oxford, Reino Unido. Black, F. (1976), Estudos sobre as variações da volatilidade dos preços das ações, Processos da Associação Estadística Americana, Seção de Estatísticas Empresariais e Econômicas Bollerslev, T. (1986), heteroskedasticidade condicional autorregressiva generalizada, Journal of Econometrics 21, Bollerslev, T. Chou , RY Jayaraman, N. amp Kroner, KF (1990), ARCH modelagem em finanças: Uma revisão da teoria e evidência empírica, Journal of Econometrics 52 (1), Bollerslev, T. Engle, RF amp Nelson, DB (1995) , ARCH modelos, em Handbook of Econometrics, Vol. 4, North-Holland, New York, NY. (1992), Regras técnicas simples de negociação e as propriedades estocásticas dos retornos das ações, Journal of Finance 47, Chan, LKC Jegadeesh, N. amp Lakonishok, J. (1996), estratégias Momentum, Journal of Finance 51, Efron, B. (1979), métodos Bootstrap: Outra olhada no jackknife, The Annals of Statistics 7, Efron, B. amp. Tibshirani, R. (1993), Uma Introdução ao Bootstrap, Chapman e Hall, Nova Iorque. Engle, RF (1982), Heteroscedasticidade condicional auto-regressiva com estimativas da variância da inflação no reino unido, Econometrica 50, Engle, RF amp Mustafa, C. (1992), Implied ARCH models from options prices, EF amp Blume, M. (1966), Regras de filtragem e lucros de negociação no mercado de ações, Journal of Business 39, Jegadeesh, N. Titter, S. (1993), Retorna para comprar vencedores e vender perdedores: Implicações para a eficiência do mercado de ações, Journal of Finance 48, LeBaron, B. (1992), Os resultados das médias de negociação média móvel implicam não-linearidades nos mercados de câmbio. Relatório técnico, Universidade de Wisconsin - Madison, Madison, Wisconsin. LeBaron, B. (1998), regras técnicas de negociação e mudanças de regime em divisas, em E. Acar amp S. Satchell, eds, Advanced Trading Regras, Butterworth-Heinemann, pp Lo, AW amp MacKinlay, AC (1988) Os preços não seguem caminhadas aleatórias: Evidência de um teste de especificação simples, Revisão de Estudos Financeiros 1, Lo, AW amp Wang, J. (1995), Implementando modelos de preços de opções quando os retornos de ativos são previsíveis, Journal of Finance 50, Maddala, GS Amp Li, H. (1996), Bootstrap testes baseados em modelos financeiros, em GS Maddala amp CR Rao, eds, Handbook of Statistics, Vol. 14, Holanda do Norte, Amsterdã, pp Nelson, DB (1991), heteroscedasticidade condicional em retornos de ativos: uma nova abordagem, Econometrica 59, Sharpe, WA (1994), The Sharpe ratio, pp. , A. amp White, H. (1999), Data-snooping, desempenho de regra de negociação técnica e bootstrap, Revista de Finanças 54, Taylor, SJ (1992), Recompensas disponíveis para futuros especuladores de moeda: Compensação por risco ou evidência de ineficiência Preços. Economia Record 68, 14 Teste de T: Comprar Ano de Venda Figura 1: Rolling T-test: Buy-Sell diferença, 5 anos janela de rolamento Estabilidade da média móvel regras técnicas de negociação Este artigo analisa o comportamento da média móvel de negociação técnica rules applied to over 100 years of the Dow Jones Industrial Index. It is found that the differences between conditional means during buy and sell periods has changed dramatically over the previous 10 years relative to the previous 90 years of data, but differences in conditional variances have not changed much over the entire sample. Further robustness checks indicate that similar results could be obtained with simple momentum based strategies. The analysis is performed on the actual Dow series, but these techniques could be useful in derivative markets where better estimates of conditional means and variances would be useful information. OAI identifier: oai:CiteSeerX. psu:10.1.1.419.6910Golden Crosses: The Bible I asked my friend Pete from Trade With Pete to do a guest post for me on Golden Crosses. Pete does a lot of technical work at his blog dealing with the topic and there is a tremendous amount of controversy surrounding whether or not they8217re important to pay attention to. Check this bad boy out8230 8211 JB History of the 50- and 200-day moving average crossover Traders and financial commentators frequently refer to the golden cross and death cross patterns seen on price charts. For example: The golden cross and the death cross The cross refers to two simple moving averages crossing over each other. A golden cross is considered a bullish sign it occurs when the 50-day moving average rises above 200-day moving average. A death cross is considered a bearish sign it occurs when the 50-day moving average drops below 200-day moving average. An early mention of moving average crossovers is found in the 1935 book, Profits in the Stock Market . by H. M. Gartley: 8220One of the most useful technical phenomena in the determination of major reversals is the major trend moving average. For this purpose, the author prefers to use a 200-day moving aveage, although equally satisfactory results can also be obtained with the use of a 20-30 week moving average applied to weekly charts, or a 4-6 month moving average applied to monthly charts.8221 Since then, technicians have popularized the use of various moving averages. During the 1970s, Stan Weinsteins Secrets for Profiting in Bull and Bear Markets was a big seller. He wrote, 8220All that a moving average really does is smooth out the major trend so the wild day-to-day gyrations which the new buying and selling programs have made even wilderdo not throw off your market perspective. Over the years, Ive found that a 30-week moving average (MA) is the best one for long-term investors, while the 10-week MA is best for traders to use. Stage analysis used the price relative to the moving average to identify four stages of a price cycle.8221 John Murphy, the famous CNBC analyst from the 1990s, wrote in The Visual Investor , 8220Two moving averages are commonly used to analyze market trends. How the two averages related to each other tells a lot about the stength or weakness of a trend. Two commonly employed numbers among stock investors are the 50-day (10-week) and the 200-day (40-week) combination. The trend is considered bullihs (upwards) as long as the shorter average is above the longer. Any crossing by the shorter average below the longer is considered negative. Some analysts use a 10-week and a 30-week average for the same purpose.8221 The use of moving averages became so common that they are mentioned in the McGraw-Hill Investors Desk Reference . Is the cross a reliable signal How effective are moving average crossovers as technical trading rules Three landmark academic papers tell the tale. In 1991 Simple Technical Trading Rules And The Stochastic Properties Of Stock Returns researchers Brock, Lakonishok and LeBaron tested two of the simplest and most popular trading rulesmoving average and trading range breakby utilizing the Dow Jones Index from 1897 to 1986 and found strong support for the technical strategies. In 1999 The Stability of Moving Average Technical Trading Rules on the Dow Jones Index LeBaron revisited the study with one more decade of data. The findings were disturbing enough for him to ask, Has something about the dynamics of stock prices changed over the past 10 years, or was the original trend following strategy mined out of the previous 90 years of data LeBaron further noted that Sullivan, Timmerman amp White (1999) Data-Snooping, Technical Trading Rule Performance, and the Bootstrap demonstrated that while it appears unlikely that these rules were snooped from the earlier sample, their forecasting performance over recent years has disappeared. We would like to offer two possible explanations of why the crosses appear to work less than they used to. It could be that proliferation of personal computers has made price charts and moving averages ubiquitous, and therefore, eroded the potential edge it once conferred. Moving averages are smoothing techniques designed for detrended data in time series analysis therefore, indicators based on the difference between the price and moving average may be more effective than a crossover. The Edwards, Magee and Bassetti edition of Technical Analysis of Stock Trends summed it up nicely, The 200-day moving average is widely believed to be the long-term trend indicator, and believing will sometimes make it come true. We at TradeWithPete use the golden and death crosses as filters to help narrow the field of ticker symbols for further sentiment and price action analysis.
No comments:
Post a Comment