Die Stabilität Of Moving Durchschnitt Technische Trading Regeln On The Dow Jones Index

Die Stabilität der bewegten durchschnittlichen technischen Handelsregeln auf dem Dow Jones Index.1 Die Stabilität der sich bewegenden durchschnittlichen technischen Handelsregeln auf dem Dow Jones Index Blake LeBaron Brandeis Universität NBER August 1999 Überarbeitet November 1999 Zusammenfassung Dieses Papier analysiert das Verhalten der gleitenden durchschnittlichen technischen Handelsregeln Angewendet auf über 100 Jahre des Dow Jones Industrial Index Es wird festgestellt, dass sich die Unterschiede zwischen den bedingten Mitteln während der Kauf - und Verkaufsperioden in den letzten 10 Jahren gegenüber den vorangegangenen 90 Jahren der Daten dramatisch verändert haben, aber Unterschiede in den bedingten Abweichungen haben sich nicht geändert Viel über die gesamte Probe Weitere Robustheitsprüfungen zeigen, dass mit einfachen Impuls-basierten Strategien ähnliche Ergebnisse erzielt werden können. Die Analyse wird an der tatsächlichen Dow-Reihe durchgeführt, aber diese Techniken könnten in derivativen Märkten nützlich sein, wo bessere Schätzungen von bedingten Mitteln und Abweichungen sinnvoll wären Informationen Graduiertenschule für Internationale Wirtschaft und Finanzen, Brandeis University, 415 South Street, Mailstop 021, Waltham, MA blebaron Der Autor dankt zwei anonymen Schiedsrichtern für Kommentare.2 1 Einleitung Die Fähigkeit einfacher Regeln zur Vorhersage von Vermögenspreisbewegungen oder technischer Analyse ist ein umstrittenes Thema gewesen Seit vielen Jahren Während die akademische Gemeinschaft in der Regel technische Analytiker in der Verachtung gehalten hat, hat ihre jüngste Faszination der Vorhersagbarkeit viele der alten Fälle gegen technische Analyse wiedereröffnet. Anstatt einfach ignorieren die Regeln von Technikern Akademiker haben sorgfältig überprüft sie 1 Die Beweise noch scheint Etwas unerklärlich auf die Nützlichkeit dieser Regeln, aber dies steht im Gegensatz zu den früheren Ergebnissen, die darauf hindeuten, dass jeder, der diesen folgt, weniger als rational motiviert war. Die moderne Literatur hat sich vorgestellt, um strengere Tests und ökonometrische Methoden zu führen. Die Einführung des Bootstrap Ermöglicht das Testen von verschiedenen komplexen Nullhypothesen, für die anal Ytic-Ansätze wäre unmöglich Es bietet auch eine mögliche Methode, um die von der Daten-Snooping induzierten Vorspannungen anzupassen. An den Ökonometriker können technische Handelsregeln als einfacher Satz von Momentbedingungen betrachtet werden, die entweder in der Spezifikationstestung oder in der Schätzung 2 verwendet werden können Sie spielen also eine doppelte Rolle als interessantes Verhalten, das einen praktischen Wert haben könnte, und als Datenbeschreibung, dass ökonomische Theoretiker sich bewusst sein sollten Dieses Papier überprüft die Dow Jones Industrials in Bezug auf einfache gleitende durchschnittliche Regeln Mit dem Dow Jones Industrials, Brock Et al 1992 zeigte, dass die gleitenden durchschnittlichen technischen Handelsregeln einige prädiktive Fähigkeiten sowohl in bedingten Mitteln als auch in Abweichungen hatten. Darüber hinaus zeigten sie, dass diese Ergebnisse über ihre 90-jährige Probeperiode relativ stabil waren. Sullivan, Timmerman White 1999 zeigte, dass es zwar unwahrscheinlich erscheint, dass diese Die Regeln wurden von der früheren Stichprobe ausgelöst, ihre Prognoseleistung in jüngster Zeit Ohren ist verschwunden Dieses wichtige Ergebnis wirft viele ernsthafte Fragen über Handelsregeln auf und die Stationarität der finanziellen Zeitreihen Dieses Papier untersucht die Leistung dieser Regeln und vergleicht die letzten 10 Jahre mit dem Rest des Jahrhunderts. Bei der Analyse im Lichte des gleitenden durchschnittlichen Handels Regeln, einige sehr interessante Ähnlichkeiten und Unterschiede erscheinen Dieses Papier bestätigt und erweitert die Ergebnisse in Sullivan et al 1999 Zuerst wird die Analyse an bedingten Abweichungen sowie bedingten Mitteln durchgeführt Zweitens werden einige weitere Robustheitsprüfungen durchgeführt, zusammen mit einigen Vergleichen mit anderen Regeln Genauer gesagt scheint eine einfachere Dynamik-basierte dynamische Strategie den gleitenden Durchschnittsregeln sehr ähnlich zu sein. Die in diesem Papier durchgeführten Tests beziehen sich nur auf den Kassamarkt. Allerdings gibt es eine direkte 1 Die frühesten Prüfungen, die die technischen Regeln kritisierten, waren in Fama Blume 1966 See Brock, Lakonishok LeBaron 1992 für eine umfangreiche Zusammenfassung der Literatur über tec Hnischer Handel Für ein aktuelles Beispiel für einige der jüngsten Beweise siehe Acar Satchell 1998 2 Für ein Beispiel der letzteren siehe LeBaron 1992 1.3 Auswirkungen dieser Technologien in verschiedenen Derivatemärkten Zunächst kann die vorhersehbare Möglichkeit die Optionen Preisgestaltung wie in Lo Wang 1995 beeinflussen , Ist es offensichtlich, dass ein nützlicher Prädiktor der zweiten Momente bessere dynamische Handelsstrategien in Optionsmärkten wie in Engle Mustafa 1992 oder als Value-at-Risk-Schätz-Tool bieten könnte. Der erste Abschnitt beschreibt die jahrzehntelange Reihe von täglichen Dow-Daten Der zweite Abschnitt sieht aus Bei verschiedenen Maßnahmen der bedingten Mittel während der vor und nach 1986 Perioden Der dritte Abschnitt führt ähnliche Tests auf bedingte Abweichungen Der vierte Abschnitt bietet einige Robustheitsprüfungen über die technischen Handelsregeln und zeigt, dass es möglich ist, dass noch einfachere Regeln ähnliche Ergebnisse erzeugen können Endgültiger Abschnitt schließt und kehrt zu den Fragen über das Daten-Snooping und die Daten-Stationarität im Lichte dieser neuen ev zurück Idence 2 Daten Die Daten, die verwendet werden, sind die täglichen Dow Jones Industrials von Januar 1897 bis Februar. Diese Serie umfasst die Serie, die in Brock et al 1992 verwendet wird, von nun an BLL als Teilmenge, aber fügt weitere 10 Jahre nach ihrem Stopppunkt in Diese extra 10 Jahre Der Daten werden im Jahr 1988 gestartet, um den Vorlauf und den Absturz von 1987 zu vermeiden, was einen dramatischen Einfluss auf eine so kurze Stichprobe haben würde. Die Vollserien umfassen insgesamt Tage Die verwendeten Serien beinhalten keine Dividenden, so dass bei der Verwendung nur etwas beachtet werden sollte Diese Reihe bei der Bewertung der Langstreckenleistung Da sich diese Arbeit auf das Verhalten von bedingten Mitteln und Abweichungen allein konzentriert, würde die Addition des aggregierten Dividendenprozesses wahrscheinlich nicht die Ergebnisse beeinflussen. Tabelle 1 zeigt einige zusammenfassende Statistiken für die täglichen Renditen für mehrere der Teilproben Das gilt als Rückgaberecht werden als Log-Differenzen berechnet, rt log pt log pt 1, 1 für alle Fälle in diesem Papier betrachtet Die Tabelle zeigt sehr wenig neue informat On für diejenigen, die mit relativ hochfrequenten Asset-Preis-Serie vertraut ist Es gibt eine große Menge an überschüssiger Kurtosis in allen Teilproben, die ein gemeinsames Merkmal ist Ein interessantes Merkmal, das ein wenig ungewöhnlich ist, ist die großen täglichen Renditen, die in den letzten zehn Jahren aufgetreten sind Ist bekannt, dass der Dow stetig steigt, ist es überraschend, dass die tägliche Rückkehr fast das Dreifache des Durchschnittes über dem Jahrhundert ist. 2.4 3 Bedingte Mittel Tabelle 1 Zusammenfassung Statistiken Feb Feb Mean Var Skewness Kurtosis Dieses Papier verwendet allgemein angewandten gleitenden durchschnittlichen technischen Handel Regeln für die meisten Tests Diese vergleichen den Preis mit einem gleitenden Durchschnitt der vergangenen Preise, es gibt viele mögliche Kombinationen von gleitenden Durchschnitten, die in der Praxis verwendet werden, aber dieses Papier konzentriert sich auf eine sehr einfache Implementierung A Tag gilt als Kaufsignal bei P tmt und ein Verkaufssignal bei P tmt 3 Die Regel wird dann auf die Rückkehr von t nach t angewendet. Bedingte Mittel a Nd Abweichungen werden über diesen Zeitraum geschätzt und klassifiziert als entweder kaufen oder verkaufen abhängig von der Zeit t Signal Eine der konsistentesten Durchführungsregeln historisch ist eine, die N 150 Tage nutzt Diese Regel allein wird verwendet werden Frühere Papiere, Brock et al 1992 Und LeBaron 1998 haben bereits gezeigt, dass es gut funktioniert über viele verschiedene Zeiträume Darüber hinaus zeigt LeBaron 1998, dass eine breite Palette von Regeln von N 50toN 200 ähnliche Ergebnisse zu erzielen Tabelle 2 präsentiert Schätzungen der bedingten mittleren Rendite während der Kauf - und Verkaufsperioden, die durch die 150 Tage gleitende durchschnittliche Regel Die erste Spalte mit der Bezeichnung Buy-Sell berichtet über den Unterschied zwischen dem bedingten Mittelwert aus den Kauf - und Verkaufsperioden. Die zweite Spalte mit der Bezeichnung Buy-All berichtet über den Unterschied zwischen den Erwerbszeitrenditen und dem bedingungslosen Mittelwert Die entsprechende Stichprobe Sell-All berichtet eine ähnliche Schätzung für die Sell-Perioden Die Zahlen in Klammern sind eine einfache t-Statistik, die unter der Null-Hypothese, dass die Mittel sind gleich verteilt N 0, 1 4 Die Zahlen in Klammern sind simulierte p-Werte aus 1000 Bootstrap-Simulationen eines zufälligen Spaziergangs Diese Methode erzeugt neue Rendite 3 Dies entspricht einer der in Brock et al 1992 verwendeten Regeln Die t-stats werden als bsz 2 b N bs 2 Ns gebildet. Ähnliche Nummern werden für die Buy-All verwendet, Sell-All Fälle Es gibt mehrere Probleme mit einem einfachen t-Test hier Die zugrunde liegenden Renditen sind normalerweise nicht verteilt, also sie Sind nur gültig asymptotisch Zweitens, die Buy-All, Sell-All Messungen basieren auf Samples mit einem großen Satz von gemeinsamen Werten Diese sind weit von unabhängigen Draws Der Bootstrap passt sich für diese beiden Probleme 3.5 Serie zufällig gezeichnet mit Ersatz von den tatsächlichen Renditen Serie Von diesen simulierten Zeitreihen wird eine neue geometrische zufällige Spaziergangserie produziert. Dies ermöglicht die Prüfung einer Nullhypothese, bei der die Renditen der gleichen bedingungslosen Verteilung folgen wie die tatsächlichen Renditen, aber alle Abhängigkeiten in der Serie sind dest Royed 5 Die p-Werte berichten über den Bruchteil der Bootstrap-Simulationen, die Werte liefern, die so groß sind wie die von der ursprünglichen Probe. Für die gesamte Probe und die frühere Teilprobe bestätigen die Ergebnisse die von BLL. Die Kaufperiodenmittel sind größer und die Verkaufsdauer Mittel sind kleiner Diese stimmt für alle drei Maßnahmen zu, die sowohl die t-Statistiken als auch die Bootstrap-p-Werte verwenden. In der späteren Stichprobe ändern sich die Ergebnisse drastisch Nicht nur die Kaufrückgabe ist nicht mehr signifikant größer als die Verkaufsrendite, sondern tatsächlich weniger als Sowohl die Verkaufsrückkehr als auch die bedingungslose Mittelzahl Die t-Statistik und die Bootstrap-p-Werte weisen uns darauf hin, dass diese wahrscheinlich unbedeutend sind. Allerdings bleibt die Tatsache, dass es keinen längeren Unterschied in den bedingten Mitteln über die Perioden gibt Die Proben sind in der Spalte markiert, kaufen Fraktion Dies berichtet der Bruchteil der Tage, die als Kaufzeitraum durch die Regel gekennzeichnet sind Die dramatischen Aufstieg in der Börse i N die spätere Periode ist hier durch eine starke Zunahme der Kaufperioden dargestellt. Es bewegt sich von 62 für die gesamte Probe, zu einem dramatischen 81 in der letzten Teilnahme Dies zusammen mit der großen Zunahme der mittleren Rückkehr gibt einen Hinweis darauf, dass etwas Ungewöhnliches geht In während der letzten 10 Jahre Tabelle 2 Bedingte Mittel Serie Kaufen-Verkauf Kauf-Alle Verkaufen Alle Fraktionen Feb 4 60 2 22 -3 10 0 00 0 00 1 00 4 73 2 36 -3 09 0 00 0 00 1 00 Feb. -1 12 -0 37 0 922 0 84 0 80 0 15 Bedingte mittlere Renditen während der Kauf - und Verkaufsperioden unter Verwendung der 150-tägigen gleitenden durchschnittlichen Regel Buy-Sell ist der Unterschied zwischen Kauf - und Verkaufsphase bedeutet Buy-All und Sell-All sind die Unterschiede zwischen der Kaufperiode und dem bedingungslosen Mittel und der Verkaufsperiode und den bedingungslosen Mitteln in Klammern sind t-Statistiken über die Mittel, und Zahlen in Klammern repräsentieren den Bruchteil von 1000 zufälligen Wander-Bootstrap-Simulationen, die ein gleichwertiges bedingtes Mittel erzeugen, das so groß ist wie Die Probe Um ein detaillierteres Bild zu bekommen Die Dynamik, wie sich die bedingten Mittel ändern, zeigt 1 ein Rollfenster des einfachen t-Tests, der in Tabelle 2 durchgeführt wird. Ein 5-Jahres-Fenster wird über die gesamte 5 See Brock et al 1992 und LeBaron 1998 für Finanzanwendungen bewegt Eine sehr schöne Zusammenfassung Für die Finanzierung ist in Maddala Li enthalten 1996 Die Bootstrap-Methodik ist auf Efron 1979 zurückzuführen, und eine nützliche Referenz ist Efron Tibshirani 1993 4.6 Probe, und der Buy-Sell-T-Test wird über jedes Fenster aufgezeichnet Das Fenster wird in Halbjahresstufen verschoben, So gibt es eine große Überschneidung zwischen den Fenstern Die Figur ist wichtig bei der Präsentation von mehreren verschiedenen Features der Daten Zuerst ist es klar, dass etwas Ungewöhnliches scheint, um über die jüngsten Zeitperioden passieren ist nicht nur die mittlere Differenz negativ, aber es ist derzeit Aufzeichnung von Werten, die in den letzten 100 Jahren der Daten historisch klein sind. Es ist auch interessant, die relative Variabilität der Ergebnisse zu beachten. Die Werte scheinen lange Schwankungen in die positiven zu nehmen Nd negative Regionen 4 Bedingte Abweichungen Ergebnisse in BLL bewegten sich über bedingte Mittel und getestete bedingte Abweichungen sowie diese erfordern die Verwendung des Bootstrap zur Bestimmung der statistischen Signifikanz 6 Tabelle 3 berichtet die Verhältnisse der geschätzten Abweichungen während der Kauf - und Verkaufsperioden und relativ zu allen Perioden Die erste Zeile zeigt, dass das Verhältnis der Abweichungen zwischen Kauf - und Verkaufsperioden nur 0 43 ist, was darauf hinweist, dass die Kaufvarianz weniger als die Hälfte der Abweichung während der Verkaufsperioden ist. Die beiden Werte unterhalb der Klammern sind die Bootstrap-p-Werte Für zwei verschiedene Nullmodelle Zuerst wird der zufällige Spaziergang wie im vorherigen Abschnitt wiederholt Zweitens, da bedingte Abweichungen jetzt ein wichtiger Teil dessen sind, was los ist, wird ein einfaches GARCH 1,1 Modell an die Retourenreihe Normalisierte Residuen von Dies wird verwürfelt und verwendet, um repräsentative GARCH 1,1 Daten zu erstellen 7 Die Werte von 1 geben an, dass keines der simulierten Modelle ein Varianzverhältnis erzeugen kann, das so groß ist wie Dass in den Daten Dies gilt für alle drei Varianz-Verhältnisse Für die Sell All-Verhältnis, denken Sie daran, dass, da dies ungewöhnlich groß ist, ist der simulierte p-Wert nun null, was darauf hinweist, dass alle simulierten Werte weniger waren. Durch die Betrachtung der Teilproben wird ein ähnliches Muster beobachtet Am interessantesten ist, dass in scharfen Kontrast zu Tabelle 2 die Varianz Unterschiede nicht ändern, gehen in die jüngsten 10 Jahre Zeitraum Das Verhältnis der Kauf zu verkaufen Abweichungen ist 0 51 in den letzten 10 Jahre Zeitraum, die sehr nah an der für die Gesamtprobe Die Simulationen zeigen erneut an, dass die Unterschiede signifikant sind Für bedingte Abweichungen ist das Muster der geringeren Abweichungen während der Kaufperioden im Vergleich zu dem Muster für bedingte Mittel relativ konstant geblieben. Tabelle 4 wiederholt die Ergebnisse der vorherigen Tabelle für absolute Abweichungen Varianz wird nun durch die erwartete absolute Abweichung ersetzt, E rt E rt Dies wird mit den entsprechenden Stichprobenmomenten geschätzt 6 Es ist möglich t Hut-Tests für bedingte Abweichungen könnten mit F-Test wie Objekten entwickelt worden sein, aber die Nichtnormalität der täglichen Rendite-Serie macht dies unmöglich 7 GARCH Modelle von Bollerslev 1986 entwickelt und bezogen auf die ARCH-Modelle von Engle 1982 werden häufig in der Finanzierung verwendet Modellbewegungen in bedingten Abweichungen Bollerslev, Engle Nelson 1995 und Bollerslev, Chou, Jayaraman Kroner 1990 sind nützliche Erhebungen dieser großen Literatur 5.7 Tabelle 3 Bedingte Variationsverhältnisse Serie Kaufen Verkaufen Alle kaufen Alle Feb GARCH bootstrap 1 00 1 00 0 00 GARCH bootstrap 1 00 1 00 0 00 Feb RW bootstrap 1 00 1 00 0 001 GARCH bootstrap 1 00 0 999 0 00 Kaufen Verkauf zeigt das Verhältnis der bedingten Abweichungen während der Kauf - und Verkaufsperioden Buy All und Sell All sind die Verhältnisse mit den unbedingten Abweichungen Zahlen In Klammern sind, wie beschriftet, zufälliger Spaziergang und GARCH 1,1 bootstraps p-Werte, was den Bruchteil von 1000 Simulationen ergibt einen Wert, der so groß ist wie der in den Daten während der Kauf - und Verkaufsperioden T Sein ist eine wichtige Robustheitsprüfung für die vorherigen Ergebnisse Sie können von einigen großen Ausreißern angetrieben worden sein, die dazu führen, dass einige der Varianzschätzungen sehr groß werden. Absolute Abweichungen sind weniger empfindlich gegenüber Ausreißern Die Tabelle wiederholt alle Ergebnisse für die bedingten Abweichungen genau, Dass Ausreißer in einem der Teilproben wahrscheinlich nicht die Ursache waren Tabelle 4 Bedingte mittlere Absolute Abweichungsverhältnisse Serie Kaufen Verkaufen Mean Verkauf Mean GARCH bootstrap 1 00 1 00 0 00 GARCH bootstrap 1 00 1 00 0 00 Feb RW bootstrap 1 00 1 00 0 001 GARCH bootstrap 1 00 0 999 0 00 Kaufen Verkauf zeigt das Verhältnis der bedingten absoluten Abweichungen während der Kauf - und Verkaufsperioden Buy All und Sell All sind die Verhältnisse mit den unbedingten absoluten Abweichungen Zahlen in Klammern sind, wie gekennzeichnet, zufälliger Spaziergang, Und GARCH 1,1 bootstraps p-Werte, was den Bruchteil von 1000 Simulationen ergibt, die einen Wert erzeugen, der so groß ist wie der in den Daten. Die hier gemeldeten Änderungen der bedingten Varianz beziehen sich auf Die bekannte Hebelwirkung, die ursprünglich in Black 1976 dokumentiert wurde 8 Tabelle 5 bietet eine schnelle Überprüfung, ob die Trading-Regel basierte Prognose nur abholen Informationen aus dem Vortag s steigen oder fallen Die Tabelle berichtet bedingte Abweichungen für t 1 sowohl für alle Kauf und Verkauf von Perioden, und weitere Bedingungen diese auf das Zeichen der vorherigen Tag s Rückkehr Die Tabelle zeigt, dass Konditionierung am Vortag s Rückkehr nicht beseitigen die Differenz 8 Siehe auch Nelson 1991 und Bollerslev et al 1995 für weitere Informationen und Modellierung Techniken 6.8 in der Volatilität zwischen Kauf - und Verkaufsperioden entweder in der vollen Stichprobe oder in der letzten Teilperiode Es scheint, dass es noch einige Auswirkungen von rt für beide Teilmenge gibt, aber es ist relativ klein Obwohl es keine statistischen Tests gibt, ist diese Tabelle suggestiv Dass der gleitende Durchschnitt mehr Informationen liefert als die, die vom Vortag allein in Form von Varianzvorhersagen kommen. Tabelle 5 Bedingte Abweichungen Ser Ies rt Kaufen Varianz Verkauf Variante Alle rtrt Feb Alle rtrt Abweichungen für rt 1 konditioniert auf technische Signalspalte und Vorzeichen der vorherigen Tage Rückkehr Zeile Sowohl dieser Abschnitt als auch der vorherige implizieren, dass die Vorhersagbarkeit in Renditen in einer dynamischen Handelsstrategie Tabelle verwendet werden könnte 6 gibt Auskunft über die bedingungslosen Sharpe-Verhältnisse von folgenden einfachen dynamischen Strategien über die verschiedenen Zeiträume Die angegebenen Zahlen sind jährliche Sharpe-Ratios Sharpe 1994 Buy and Hold folgt einer Buy-and-Hold-Strategie Buy Sell nimmt eine lange oder kurze Position ein, je nachdem, ob ein Kauf Oder Verkaufssignal wird gegeben 9 Kauf entspricht einer Strategie des Kaufens während der Kaufperioden und hält einen risikofreien Vermögenswert, der eine 3-Prozent-Rendite während der Verkaufsperioden verdient. Das Sharpe-Verhältnis wird unter Verwendung von Nullabweichung während der Verkaufsperioden geschätzt. Die Spalte, die gekauft wird, verwendet die bedingungslose Tägliche Abweichung als die Abweichung der Abweichung in der Kaufperiode, und die Spalte markiert Kauf Kauf Varianz verwendet die bedingte Varianz während der Kaufperioden Diese letztgenannte Maßnahme sollte die wahre Sharpe-Ratio für diese Strategie sein, aber die andere Maßnahme ist nützlich für den Vergleich Die Tabelle zeigt, dass für die gesamte Stichprobe die Strategie übertrifft Kauf und halten, und es würde am besten durch die Aktivierung nur implementiert werden Während der Kaufperioden Schließlich hat die Verringerung der bedingten Abweichung während der Kaufperioden einen Einfluss auf das Sharpe-Verhältnis Die zweite Zeile zeigt, dass keines dieser Ergebnisse in den letzten 10 Jahren zu halten Die Sharpe-Ratios sind tatsächlich in einem Bereich, der vielleicht interessant sein könnte, aber sie Sind alle negativ wie angegeben kaufen die früheren Ergebnisse auf bedingte Mittel Tabelle 6 Sharpe Ratios Serie Kaufen und Halten Kaufen Verkaufen Kaufen Kaufen Kaufen Variante Feb Dies ist in erster Linie für den Vergleich getan Es ist unwahrscheinlich, dass diese Strategie wäre über einen Großteil der Zeit Zeitraum möglich gewesen Es wäre schwierig gewesen, den Dow zu beenden 7.9 5 Momentum Strategien Es ist klar, dass die gleitende durchschnittliche Strategie nicht mehr kompliziert sucht Aged als eine einfache Beharrlichkeit in der Rendite-Serie Dies könnte eine Beharrlichkeit sein, die schwer zu sehen ist, mit traditionellen Autokorrelationen 10 Ein etwas einfacher Ansatz für die Einrichtung von Handelssignalen ist es, Rückkehr über die letzten 150 Tage zu sehen, anstatt die gleitenden durchschnittlichen Preisvergleiche zu verwenden 11 Tabelle 7 zeigt die Ergebnisse für eine 150-tägige Impulsstrategie zusammen mit der gleitenden Mittelstrategie Diese Strategie zeichnet einen Kauf zum Zeitpunkt t auf, wenn P t P t 150, und ein Verkauf ansonsten Für die gesamte Stichprobe sind die beiden Strategien auffallend nah an jedem Andere Über die neuere Teilperiode, die Impulsstrategie kehrt Zeichen wie der gleitende Durchschnitt, aber es ist eigentlich signifikant negativ für die Kauf-Verkauf-Differenz Tabelle 7 Bedingte Mittel Momentum Vergleich Serie Methode Buy-Sell Buy-All Sell-All Feb Moving Average 4 60 2 22 -3 10 Momentum 4 21 2 04 -2 86 Feb Gleitender Durchschnitt -1 12 -0 37 0 922 Momentum -2 55 -0 73 2 18 Bedingte mittlere Renditen während der Kauf - und Verkaufsperioden mit dem 150-Tage-movi Ng durchschnittliche und Impulsregeln Buy-Sell ist der Unterschied zwischen Kauf - und Verkaufszeitraum bedeutet Buy-All und Sell-All sind die Unterschiede zwischen der Kaufperiode und dem bedingungslosen Mittel und der Sellzeit und den bedingungslosen Mitteln in Klammern sind T - Statistiken über die Mittel Tabelle 8 wiederholt die Ergebnisse für bedingte Abweichungen unter Verwendung der Impuls-Konditionierungsinformationen Diese Tabelle zeigt, dass es von der gleitenden Durchschnittsstrategie zu der Impulsstrategie wenig Veränderung gibt. Zum Beispiel geht die Kaufverkaufsquote von 0 43 für den gleitenden Durchschnitt Auf 0 44 für die Impulsmessung über die gesamte Probe Ähnliche Merkmale sind für die anderen Maßnahmen gegeben, und beide Teilperioden scheinen ziemlich ähnlich zu sein Diese Ergebnisse deuten darauf hin, dass diese beiden technischen Regeln in der Praxis sehr ähnlich sein können, und es gibt nichts Besonderes oder Wichtig über die gleitende durchschnittliche repräsentation Dies hängt mit den empfindlicheren Tests für zufälliges Wanderverhalten in Lo MacKinlay 1988, Prozesse mit diesen Eigenschaften wurden von Taylor 1992 und LeBaron 1992 modelliert 11 Acar 1993 zeigt, wie man technische Regeln aus dem Preisraum in den Renditebereich abbildet. Die gleitende Durchschnittsregel kann als gewichtete Summe der vergangenen Renditen formuliert werden, aber die Impulsstrategie ist einfach Summe der Vergangenheit kehrt zurück Es ist ein interessantes Experiment, um zu sehen, ob diese Regel alles andere als die gleitenden Durchschnittsregeln aufnimmt. Siehe auch Chan, Jegadeesh Lakonishok 1996 und Jegadeesh Titman 1993 für Beispiele aus Rücklaufquerschnitten 12 Diese Ergebnisse stimmen mit den Ergebnissen überein Acar Lequeux 1996, die feststellen, dass auch für einen zufälligen Spaziergang die Korrelation zwischen einer gleitenden Durchschnitt - und Impulsstrategie ist.10 Tabelle 8 Bedingte Varianz Momentum Vergleich Serie Methode Kaufen Verkaufen Kaufen Mean Sell-Mean Feb Moving Durchschnitt GARCH Bootstrap 1 00 1 00 0 00 Feb. Momentum GARCH bootstrap 1 000 1 00 0 000 Feb Moving Average GARCH bootstrap 1 00 1 00 0 00 Feb Momentum GARCH bootstrap 1 00 0 99 0 00 Kaufen Verkauf zeigt die Ratte Io der bedingten Abweichungen während der Kauf - und Verkaufsperioden unter Verwendung der 150-tägigen Impulsstrategie Buy All und Sell All sind die Verhältnisse mit den bedingungslosen Abweichungen Zahlen in Klammern sind, wie gekennzeichnet, zufälliger Spaziergang und GARCH 1,1 bootstraps p-Werte, Geben den Bruchteil von 1000 Simulationen, die einen Wert erzeugen, der so groß ist wie der in den Daten. 6 Schlussfolgerungen Dieses Papier ist ein kurzer Nachfolger von Brock et al 1992, der untersucht hat, was mit einigen der Strategien geschehen ist, die sie in den dazwischenliegenden Jahren verwendet haben. Andere Forscher haben bereits dramatisch gezeigt Änderungen in den bedingten Mitteln, und diese werden hier wiederholt. Dieses Papier führt eine weitere Diagnose durch, indem man die Varianzbeziehung überprüft. Im Gegensatz zu den Mitteln, die sie im Laufe der Zeit ziemlich konsistent zu sein scheinen, und robust auf die Verwendung von absoluten Wertvolatilitätsmaßnahmen Schließlich wird gezeigt, dass viele Ähnliche Ergebnisse konnten mit einer einfachen Impulsart der Handelsstrategie gewonnen werden Auf der praktischen Seite der Verwendung von Handelsregeln, zeigt dieses Papier, dass mit ihnen zu Prognose bedingte Mittel können im gegenwärtigen Markt sehr gefährlich sein Diese Gefahr liegt über den üblichen Problemen der Transaktionskosten hinaus und stellt Fragen im Zusammenhang mit der tatsächlichen Umsetzung einer Strategie dar. Es bleibt jedoch abzuwarten, ob die Strategie der Volatilitätsvorhersage eine Kante bieten könnte In beiden Handelsoptionen oder Risikomanagement Dieses Papier deutet darauf hin, dass eine solche Studie sehr interessant sein könnte, da die bedingte Varianzvorhersagbarkeit über Zeiträume hinweg robust ist. Abbildung 1 macht einen dramatischen visuellen Punkt über die Stabilität der technischen Handelsregeln Es eröffnet tiefe philosophische Fragen Daten-Snooping und Stationarität Hat etwas über die Dynamik der Aktienkurse in den letzten 10 Jahren verändert, oder war der ursprüngliche Trend nach Strategie abgebaut aus den vorherigen 90 Jahren Daten Ergebnisse in Sullivan et al 1999 deuten darauf hin, dass es eine Änderung in der Daten, da ihre Prüfung versucht, für die Datenabbau in der vorherigen Probe anzupassen, aber kein Test für Daten mi Ning ist perfekt, 9.11, wie es von der Simulation des Snooping-Prozesses abhängt, der möglicherweise aufgetreten ist. Es können keine formalen Tests durchgeführt werden, um diese Frage zu beantworten, aber Abbildung 1 zusammen mit einigen historischen Tatsachen über den technischen Handel, die in BLL gegeben wurden, scheinen die Schlussfolgerungen zu verteidigen Von Sullivan et al. 1999 BLL war vorsichtig, Regeln zu verwenden, die in der technischen Handelsgemeinschaft seit einiger Zeit existierten, und versuchte nicht, irgendwelche zusätzlichen Parametrierung über ihre Proben durchzuführen. Einige dieser Regeln wurden seit dem frühen Teil des Jahrhundert Angesichts der Tatsache, dass sie nicht auf die vorherige 90-jährige Probe abgestimmt waren, sind die Ergebnisse in den vergangenen 10 Jahren noch interessanter. Dieses willkürliche Merkmal der Daten hat sich dramatisch verändert und in diesem Zusammenhang sieht es unmöglich aus, dass die letzten 10 Jahre ein Ziehen aus jedem 10-jährigen Zeitraum in der 90-jährigen Geschichte 13 Während es unmöglich ist, jemals vollständig zu vermeiden, die Probleme der Daten Snooping die Ergebnisse hier deuten darauf hin, dass etwas verändert hat dram Atal Ein endgültiges Ergebnis dieser kurzen Studie deutet darauf hin, dass die Regeln, die in Brock et al 1992 verwendet wurden, durch einfachere ersetzt werden konnten Einfache Impuls-basierte Strategien zeigen ähnliche Leistung mit beiden Maßnahmen der Vorhersagbarkeit Einfachheit und Sparsamkeit ist genauso eine Tugend für technische Trading-Regeln, wie es für andere traditionelle Zeitreihen-Methoden ist, so ist es wichtig zu sehen, dass eine einfachere Regel genauso gut getan haben könnte Viele technische Regeln verwenden viele komplexere Kombinationen von gleitenden durchschnittlichen Mustern, und es wäre interessant, herauszufinden Was der Wert von diesen ist jedoch in der nichtstationären Welt, die durch diese Ergebnisse vorgeschlagen wird, kann Robustheit eine weitaus größere Tugend sein als bisher angenommen 14 Die in Brock et al 1992 gemeldeten Ergebnisse haben sich in den letzten Jahren deutlich verändert. Allerdings sind ihre Ergebnisse bei der Vorhersage der bedingten Varianz bleibt stabil Die Ursachen der ersten Veränderung bleiben eine interessante offene Frage Sie können mit Technologie, Bette zu tun haben R Preisinformationen und niedrigere Transaktionskosten oder ggf. eine größere Beachtung der technischen Handelsregeln In allen Fällen geben die Änderungen der Profitabilität dieser dynamischen Strategien eine wichtige Information darüber, wie die Märkte funktionieren. Wenn die Trader tatsächlich die Gewinne gehandelt haben Weg, dann wäre eine interessante Studie, die Volatilitätsseite des Bildes in einem ähnlichen Licht zu betrachten. Gibt es eine dynamische Strategie, die die bedingten Abweichungen zueinander hinunterschieben würde. Dies ist eine viel kompliziertere Frage als für die Mittel, aber es wäre Eine sehr interessante Frage zu beantworten 13 Denken Sie daran, dass die Daten Snooping Zähler zu diesem wäre, dass die Regeln wurden über die 90 Jahre vorherige Geschichte abgestimmt, um die bedingte Kauf-Verkauf Unterschied zu maximieren In diesem Fall ist es nicht so erstaunlich, dass die letzten 10 Jahre Aussehen 14 Siehe Bookstaber 1999 für Beispiele für Robustheit und Kursentscheidungsregeln in der Finanzierung 10.12 Referenzen Acar, E 1993, Economic Evaluation of Fina Nationale Prognose, Dissertation, City University Business School, London, UK Acar, E Lequeux, P 1996, Dynamische Strategien, eine Korrelationsstudie in C Dunis, Ed Forecasting Finanzmärkte, Wiley, pp Acar, E Satchell, S 1998, Advanced Trading Rules, Butterworth-Heinemann, Oxford, UK Black, F 1976, Studium der Aktienkursvolatilitätsänderungen, Proceedings of the American Statistical Association, Business and Economics Statistics Section Bollerslev, T 1986, Generalisierte autoregressive bedingte Heteroskedastizität, Journal of Econometrics 21, Bollerslev , T Chou, RY Jayaraman, N Kroner, KF 1990, ARCH Modellierung in der Finanzierung Eine Überprüfung der Theorie und empirische Evidenz, Journal of Econometrics 52 1, Bollerslev, T Engle, RF Nelson, DB 1995, ARCH-Modelle, im Handbuch der Ökonometrie , Vol. 4, Nordholland, New York, NY Bookstaber, R 1999, Risikomanagement in komplexen Organisationen, Finanzanalysten Journal 55 2, Brock, WA Lakonishok, J LeBaron, B 1992, Einfache technische Handelsregeln und Die stochastischen Eigenschaften der Aktienrenditen, Journal of Finance 47, Chan, LKC Jegadeesh, N Lakonishok, J 1996, Momentum Strategien, Journal of Finance 51, Efron, B 1979, Bootstrap-Methoden Ein weiterer Blick auf die Jackknife, The Annals of Statistics 7, Efron, B Tibshirani, R 1993, Eine Einführung in den Bootstrap, Chapman und Hall, New York Engle, RF 1982, Autoregressive bedingte Heteroskedastizität mit Schätzungen der Abweichung der Einheitsreicher Inflation, Econometrica 50, Engle, RF Mustafa, C 1992, Impliziert ARCH-Modelle aus Optionen Preise, Journal of Econometrics 52.13 Fama, EF Blume, M 1966, Filterregeln und Börsenhandel Gewinne, Journal of Business 39, Jegadeesh, N Titman, S 1993, Rückkehr zum Kauf Gewinner und Verkauf von Verlierern Implikationen für Börse Effizienz, Journal of Finance 48, LeBaron, B 1992, bewegliche durchschnittliche Handelsregel Ergebnisse implizieren Nichtlinearitäten in Devisenmärkten Technischer Bericht, University of Wisconsin - Madison, Madison, Wisconsin LeB Aron, B 1998, Technische Handelsregeln und Regimewechsel in Devisen, in E Acar S Satchell, eds, Advanced Trading Rules, Butterworth-Heinemann, pp Lo, AW MacKinlay, AC 1988, Aktienkurse folgen nicht zufälligen Spaziergängen Evidence from a Einfache Spezifikationstest, Überprüfung der Finanzstudien 1, Lo, AW Wang, J 1995, Implementierung von Optionspreismodellen, wenn Asset Returns vorhersehbar sind, Journal of Finance 50, Maddala, GS Li, ​​H 1996, Bootstrap-basierte Tests in Finanzmodellen in GS Maddala CR Rao, Eds, Handbuch der Statistik, Vol. 14, Nord-Holland, Amsterdam, pp Nelson, DB 1991, bedingte Heteroskedastizität in Asset-Renditen Ein neuer Ansatz, Econometrica 59, Sharpe, WA 1994, Die Sharpe-Ratio, Journal of Portfolio Management Pp Sullivan, R Timmerman, A White, H 1999, Data-Snooping, technische Handelsregel Leistung und der Bootstrap, Journal of Finance 54, Taylor, SJ 1992, Belohnungen verfügbar für Währungs-Futures-Spekulanten Vergütung für Risiko oder Nachweis von ineffizient pr Vereisung Ökonomische Rekord 68.14 T Test Kaufen Verkaufen Jahr Abbildung 1 Rolling T-Test Buy-Sell Unterschied, 5 Jahre Rolling window 13.Golden Kreuze Die Bibel. Ich fragte meinen Freund Pete aus dem Handel mit Pete, um einen Gast für mich auf Golden Crosses zu tun Pete macht eine Menge technischer Arbeit in seinem Blog Umgang mit dem Thema und es gibt eine enorme Menge an Kontroversen um, ob oder nicht sie wichtig zu beachten, um zu prüfen, diese bösen Jungen aus JB. Historie der 50-und 200-Tage-Bewegung Durchschnittliche Crossover. Trader und finanzielle Kommentatoren beziehen sich häufig auf das goldene Kreuz und Tod Kreuz Muster auf Preis-Charts gesehen Zum Beispiel. Das goldene Kreuz und das Todeskreuz. Das Kreuz bezieht sich auf zwei einfache gleitende Durchschnitte Kreuzung über einander Ein goldenes Kreuz gilt als ein bullish sign it occurs when the 50-day moving average rises above 200-day moving average A death cross is considered a bearish sign it occurs when the 50-day moving average drops below 200-day moving average. An early mention of moving average crossovers is found in the 1935 book, Profits in the Stock Market by H M Gartley. One of the most useful technical phenomena in the determination of major reversals is the major trend moving average For this purpose, the author prefers to use a 200-day moving aveage, although equally satisfactory results can also be obtained with the use of a 20-30 week moving average applied to weekly charts, or a 4-6 month moving average applied to monthly charts. Since then, technicians have popularized the use of various moving averages During the 1970s, Stan Weinstein s Secrets for Profiting in Bull and Bear Markets was a big seller He wrote. All that a moving average really does is smooth out the major trend so the wild day-to-day gyrations which the new buying and selling programs have made even wilder do not throw off your market perspective Over the years, I ve found that a 30-week moving average MA is the best one for long-term investors, while the 10-week MA is best for traders to use. Stage analysis used the price relative to the moving average to identify four stages of a price cycle. John Murphy, the famous CNBC analyst from the 1990s, wrote in The Visual Investor. Two moving averages are commonly used to analyze market trends How the two averages related to each other tells a lot about the stength or weakness of a trend Two commonly employed numbers among stock investors are the 50-day 10-week and the 200-day 40-week combination The trend is considered bullihs upwards as long as the shorter average is above the longer Any crossing by the shorter average below the longer is considered negative Some analysts use a 10-week and a 30-week average for the same purpose. The use of moving averages became so common that they are mentioned in the McGraw-Hill Investor s Desk Reference. Is the cross a reliable signal. How effective are moving average crossovers as technical trading rules Three landmark academic papers tell the tale. In 1991 Simple Technical Trading Rules And The S tochastic Properties Of Stock Returns researchers Brock, Lakonishok and LeBaron tested two of the simplest and most popular trading rules moving average and trading range break by utilizing the Dow Jones Index from 1897 to 1986 and found strong support for the technical strategies. In 1999 The Stability of Moving Average Technical Trading Rules on the Dow Jones Index LeBaron revisited the study with one more decade of data The findings were disturbing enough for him to ask, Has something about the dynamics of stock prices changed over the past 10 years, or was the original trend following strategy mined out of the previous 90 years of data. LeBaron further noted that Sullivan, Timmerman White 1999 Data-Snooping, Technical Trading Rule Performance, and the Bootstrap demonstrated that while it appears unlikely that these rules were snooped from the earlier sample, their forecasting performance over recent years has disappeared. We would like to offer two possible explanations of why the cro sses appear to work less than they used to. It could be that proliferation of personal computers has made price charts and moving averages ubiquitous, and therefore, eroded the potential edge it once conferred. Moving averages are smoothing techniques designed for detrended data in time series analysis therefore, indicators based on the difference between the price and moving average may be more effective than a crossover. The Edwards, Magee and Bassetti edition of Technical Analysis of Stock Trends summed it up nicely, The 200-day moving average is widely believed to be the long-term trend indicator, and believing will sometimes make it come true. We at use the golden and death crosses as filters to help narrow the field of ticker symbols for further sentiment and price action analysis. The stability of moving average technical trading rules on. By Blake Lebaron. This paper analyzes the behavior of moving average technical trading rules applied to over 100 years of the Dow Jones Industrial I ndex It is found that the differences between conditional means during buy and sell periods has changed dramatically over the previous 10 years relative to the previous 90 years of data, but differences in conditional variances have not changed much over the entire sample Further robustness checks indicate that similar results could be obtained with simple momentum based strategies The analysis is performed on the actual Dow series, but these techniques could be useful in derivative markets where better estimates of conditional means and variances would be useful information. OAI identifier.