هدف اصلی این مقاله ، معرفی مدلهای مختلف برای محاسبه میزان پولی است که باید در یک تکنیک داوری آماری معروف به معاملات جفت به هر سهام اختصاص یابد. استراتژی تخصیص سنتی مبتنی بر یک روش وزن برابر است. با این حال ، ما نشان خواهیم داد که چگونه با تخصیص بهینه ، عملکرد معاملات جفت به میزان قابل توجهی افزایش می یابد. چهار روش برای تنظیم تخصیص بهینه پیشنهاد شده است. این روشها مبتنی بر فاصله ، همبستگی ، همبستگی و نمایندگی هورست (میانگین برگشت) است. نشان داده شده است که روشهای جدید با توجه به یک استراتژی وزن برابر ، در نتایج به دست آمده بهبود می یابد.
1. مقدمه
فرضیه بازار کارآمد (EMH) موضوعی شناخته شده در امور مالی است. پیامدهای شکل ضعیف کارآیی این است که اطلاعات مربوط به گذشته در قیمت بازار یک سهام منعکس می شود و بنابراین ، داده های بازار تاریخی برای پیش بینی آینده مفید نیست. یک سرمایه گذار در یک بازار کارآمد قادر به کسب مزیت قابل توجهی نسبت به یک سبد معیار یا تجارت شاخص بازار بر اساس داده های تاریخی نخواهد بود (برای بررسی به مرجع مراجعه کنید [1،2]).
از طرف مقابل ، برخی از محققان نشان داده اند که استفاده از داده های تاریخی و همچنین تکنیک های معاملاتی به دلیل ناهنجاری های بازارهای زمانی ممکن است. علیرغم اینکه بیشتر اقتصاددانان فکر می کنند که این ناهنجاری ها با یک بازار کارآمد سازگار نیستند ، مقالات اخیر دیدگاه های جدیدی به نام فرضیه بازار فراکتال (FMH) و فرضیه بازار تطبیقی (AMH) را نشان داده اند ، که سعی دارد ناهنجاری های بازار را در فرضیه بازار کارآمد ادغام کند.
EMH در سال 1963 توسط Mandelbrot ریاضیدان مورد سوال قرار گرفت و پس از آن که فاما اقتصاددان شک خود را در مورد توزیع نرمال بازده سهام نشان داد، نکته اساسی فرضیه کارآمد است. ماندلبروت به این نتیجه رسید که قیمت سهام دارای حافظه طولانی است و یک حرکت براونی کسری برای مدلسازی بازار پیشنهاد کرد. دی متئو [3،4] در نظر گرفت که سرمایه گذاران را می توان با افق های سرمایه گذاری که در آن فعالیت می کنند متمایز کرد. این توجه به ما اجازه می دهد تا ایده حافظه طولانی و فرضیه کارایی را به هم مرتبط کنیم. در چارچوب یک بازار کارآمد، اطلاعات به عنوان یک آیتم عمومی در نظر گرفته می شود. این بدان معنی است که تأثیری که اطلاعات عمومی بر هر سرمایه گذار می گذارد مشابه است. با این حال، FMH فرض میکند که اطلاعات و انتظارات به شیوهای متفاوت بر معاملهگران، که فقط بر سرمایهگذاران کوتاهمدت و بلندمدت متمرکز هستند، تأثیر میگذارد [5،6].
ایده AMH اخیرا توسط Lo [7] معرفی شده است تا دیدگاه تکاملی بازار را منعکس کند. تحت این ایده جدید، بازارها در زمان های مختلف پویایی های پیچیده ای را نشان می دهند که باعث می شود برخی از تکنیک های آربیتراژ در برخی دوره ها به درستی و در برخی دیگر ضعیف عمل کنند.
در تلاشی برای مصالحه، سانچز و همکاران.[8] اظهار می کند که پویایی بازار نتایج تعاملات مختلف سرمایه گذاران است. به این ترتیب الگوهای رفتاری مقیاسبندی یک بازار خاص میتواند آن را مشخص کند. سری قیمتهای بازار توسعهیافته معمولاً فقط حافظه کوتاه یا بدون حافظه را نشان میدهند در حالی که بازارهای نوظهور ویژگیهای حافظه بلند را نشان میدهند. به دنبال این خط، سانچز و همکاران در مقاله اخیر خود.[9] ثابت کرد که استراتژیهای معاملاتی جفتی در بازارهای سهام آمریکای لاتین کاملاً سودآور هستند در حالی که در سهام نزدک 100، فقط در دورههای نوسان بالا است. این نتایج مطابق با فرضیه هر دو بازار است. نتیجه مشابهی توسط ژانگ و اورکوهارت [10] به دست میآید که در آن نویسندگان میتوانند با یک استراتژی تجاری در سرتاسر سرزمین اصلی چین و هنگ کنگ بازدهی بیش از حد قابل توجهی به دست آورند، اما نه زمانی که تجارت به یکی از بازارها محدود شود. نویسندگان استدلال می کنند که این به دلیل افزایش کارایی بازار سهام سرزمین اصلی چین و کاهش بازار سهام هنگ کنگ به دلیل ادغام بازارهای سهام چین و مجوز فروش کوتاه است.
این دیدگاه های جدید قوانین بازار توضیح می دهد که چرا تکنیک های داوری آماری ، مانند معاملات جفت ، اگر بتوانند از ناهنجاری های بازار استفاده کنند ، می توانند از شاخص های بازار بهتر عمل کنند. در مقاله قبلی ، راموس و همکاران.[11] یک تکنیک معاملات جدید جفت را بر اساس Hurst Exponent معرفی کرد که شاخص کلاسیک و شناخته شده حافظه بازار است (برای اطلاعات بیشتر ، منابع [8،12] حاوی یک بررسی جالب است). برای هدف ما ، انتخاب خط مشی جفت این است که آن جفت ها را با کمترین نمایشگر هورست انتخاب کنید ، یعنی جفت های ضد ماندگار تر. سپس ما از معکوس به میانگین استراتژی معاملات با جفت های ضد ماندگاری بیشتر مطابق با ایده قبلاً ذکر شده که قیمت های بازار را توسعه داده است ، استفاده می کنیم [3،13،14،15].< Pan> این دیدگاه های جدید قوانین بازار توضیح می دهد که چرا تکنیک های داوری آماری ، مانند معاملات جفت ، اگر بتوانند از ناهنجاری های بازار استفاده کنند ، می توانند از شاخص های بازار بهتر عمل کنند. در مقاله قبلی ، راموس و همکاران.[11] یک تکنیک معاملات جدید جفت را بر اساس Hurst Exponent معرفی کرد که شاخص کلاسیک و شناخته شده حافظه بازار است (برای اطلاعات بیشتر ، منابع [8،12] حاوی یک بررسی جالب است). برای هدف ما ، انتخاب خط مشی جفت این است که آن جفت ها را با کمترین نمایشگر هورست انتخاب کنید ، یعنی جفت های ضد ماندگار تر. سپس ما از معکوس به میانگین استراتژی معاملاتی با جفت های ضد مداوم تر مطابق با ایده قبلاً ذکر شده که قیمت های بازار توسعه یافته حافظه کوتاه را نشان می دهد [3،13،14،15] استفاده می کنیم. تکنیک ها ، مانند معاملات جفت ، اگر بتوانند از ناهنجاری های بازار استفاده کنند ، می توانند از شاخص های بازار بهتر عمل کنند. در مقاله قبلی ، راموس و همکاران.[11] یک تکنیک معاملات جدید جفت را بر اساس Hurst Exponent معرفی کرد که شاخص کلاسیک و شناخته شده حافظه بازار است (برای اطلاعات بیشتر ، منابع [8،12] حاوی یک بررسی جالب است). برای هدف ما ، انتخاب خط مشی جفت این است که آن جفت ها را با کمترین نمایشگر هورست انتخاب کنید ، یعنی جفت های ضد ماندگار تر. سپس ما از معکوس به میانگین استراتژی معاملات با جفت های ضد ماندگاری بیشتر مطابق با ایده قبلاً ذکر شده که قیمت های بازار را توسعه داده است ، استفاده می کنیم [3،13،14،15].
ادبیات معاملات جفت گسترده و عمدتاً در انتخاب جفت در طول دوره معاملات و همچنین توسعه یک استراتژی معاملاتی متمرکز است. مقاله پیشگام گیتف و همکاران بود.[16] جایی که نویسندگان روش فاصله را با یک برنامه به بازار ایالات متحده معرفی کردند. در سال 2004 ، Vidyamurthy [17] چارچوب نظری را برای انتخاب جفت با استفاده از روش ادغام ارائه داد. از آن زمان ، تجزیه و تحلیل های مختلفی با استفاده از این روش در بازارهای مختلف انجام شده است ، از جمله بازار اروپا [18،19] ، سهام DJIA [20] ، بازار برزیل [21،22] یا شاخص Stoxx 50 [23]وادگالنکو و همکاران.[24] از روش ادغام برای داوری در صندوق معامله شده در بازارهای مختلف استفاده کرد. لین و همکاران.[25] حداقل شرط سود را به استراتژی معاملاتی معرفی کرد و NATH [26] از روش ادغام در داده های داخلی استفاده کرد. الیوت و همکاران.[27] از زنجیره های مارکوف برای مطالعه میانگین استراتژی برگشت بر اساس پیش بینی های دیفرانسیل و کالیبراسیون از مشاهدات بازار استفاده کرد. میانگین رویکرد برگشت در بازارهایی که بازارهای آسیایی ایالات متحده [28] یا بازارهای سهام آمریکای لاتین کارآمد تلقی نشده اند آزمایش شده است [9]. سهم اخیر راموس و همکاران.[29] روش جدیدی را برای آزمایش همبستگی بین دارایی ها معرفی کرد و آنها آن را در داوری آماری آزمایش کردند. با این حال ، محققان به میزان پول سرمایه گذاری شده در هر دارایی توجه نکردند ، با توجه به همیشه نمایشگاه بازار دلار سرمایه. این بدان معنی است که وقتی یک سهام فروخته می شود ، همان مقدار سهام دیگر خریداری می شود. در این مقاله ما یک روش جدید برای بهبود عملکرد معاملات جفت با توسعه روش های جدید برای بهبود کارآیی در محاسبه نسبت برای سرمایه گذاری در هر سهام که این جفت را تشکیل می دهد ، پیشنهاد می کنیم.
2. انتخاب جفت
یکی از مباحث مربوط به معاملات جفت ، نحوه یافتن یک جفت مناسب برای معاملات جفت است. روشهای متعددی در ادبیات ارائه شده است ، اما روشهای متداول تر همبستگی و روش فاصله است.
2. 1هم حرکتی
Baur [30] همكاری را به عنوان حرکات مشترک همه دارایی ها در یك زمان معین تعریف می كند و می توان با استفاده از تکنیک های همبستگی یا همبستگی اندازه گیری كرد.
تکنیک همبستگی بسیار ساده است و ضریب همبستگی بالاتر است ، بزرگترین آنها در همگام سازی حرکت می کنند. مسئله مهمی که باید مورد توجه قرار گیرد این است که همبستگی ذاتاً یک اقدام کوتاه مدت است ، که دلالت بر این دارد که یک استراتژی همبستگی با یک استراتژی معاملاتی فرکانس پایین بهتر کار خواهد کرد.
در این کار ، ما از ضریب همبستگی Spearman استفاده خواهیم کرد ، که یک آمار محدوده غیر پارامتری است که رابطه بین دو متغیر را اندازه گیری می کند. این ضریب به ویژه هنگامی مفید است که رابطه بین دو متغیر توسط یک عملکرد یکنواخت توصیف شود و هیچ توزیع خاصی از متغیرها را فرض نمی کند [31].
ضریب همبستگی Spearman برای یک نمونه A ، B I از اندازه n را می توان به شرح زیر توصیف کرد: ابتدا ، صفوف نمونه های R G A ، R G B I را در نظر بگیرید ، سپس ضریب همبستگی Spearman R S به صورت محاسبه می شود:
رویکرد ادغام توسط Engle و Granger [32] معرفی شد و نوع دیگری از همبستگی را در نظر می گیرد. در این حالت ، ادغام به حرکات قیمت ها اشاره دارد ، نه در بازده ، بنابراین همبستگی و همبستگی مرتبط هستند ، اما مفاهیم مختلفی دارند. در حقیقت ، سری Cointegrated کاملاً می تواند همبستگی کم داشته باشد.
گفته می شود که دو سهام A و B در صورت وجود γ وجود دارد به گونه ای که P T A-γ P B یک فرآیند ثابت باشد ، جایی که P T A و P B T به ترتیب قیمت های A و B هستند. در این حالت ، مدل زیر در نظر گرفته شده است:
ما برای تخمین پارامترهای رگرسیون از روش معمولی حداقل مربعات (OLS) استفاده خواهیم کرد. از طریق تست افزوده دیکی فولر ، ما تأیید خواهیم کرد که آیا باقیمانده ثابت است یا خیر ، و با آن بررسی خواهیم کرد که آیا سهام یکپارچه شده است یا خیر.
2. 2روش فاصله
این روش توسط گیتو و همکاران معرفی شد.[16]این مبتنی بر به حداقل رساندن مجموع اختلافات مربع بین سری قیمت های عادی است:
جایی که S A (t) بازده تجمعی سهام A در زمان T و S B (T) بازده تجمعی سهام B در زمان t است.
بهترین جفت جفتی خواهد بود که فاصله بین سهام آن کمترین ممکن است ، زیرا این بدان معنی است که سهام در همگام سازی حرکت می کند و میزان همبستگی بالایی بین آنها وجود دارد.
سهم جالبی در این سیستم تجاری توسط DO و FAFF معرفی شد [33،34]. نویسندگان این روش را برای جهان سهام CRSP ایالات متحده و یک دوره طولانی تکرار کردند. نویسندگان به دلیل درج هزینه های معاملاتی ، سودآوری کاهش در معاملات جفت و همچنین غیر مؤثر بودن استراتژی تجارت را تأیید کردند. انجام و FAFF سپس روش انتخاب را برای بهبود انتخاب جفت اصلاح کرد. نویسندگان ترکیبات احتمالی را فقط در 48 صنایع Fama-French محدود کردند و آنها به دنبال جفت هایی با تعداد زیادی از صفر متقاطع بودند تا از این جفت ها با بیشترین رفتار معناداری استفاده کنند.
2. 3استراتژی معاملاتی جفت بر اساس هورست نماینده
هورست نماینده (از این پس) توسط هورست در سال 1951 [35] معرفی شد تا با مشکل کنترل مخزن سد رودخانه نیل مقابله کند. تا ابتدای قرن بیست و یکم ، متداول ترین روش برای برآورد H تجزیه و تحلیل R/S [36] و DFA [37] بود ، اما به دلیل مشکلات صحت بیان شده توسط چندین مطالعه (به عنوان مثال به منابع مراجعه کنید [38،39 ،40،41]) ، الگوریتم های جدید برای تخمین کارآمدتر از نماینده Hurst ، که برخی از آنها با تمرکز خود در سری زمانی مالی ساخته شده اند ، تهیه شده اند. یکی از مهمترین روشها ، الگوریتم GHE است که در مرجع معرفی شده است [42] ، که یک الگوریتم کلی با خصوصیات خوب است.
جایی که τ مقیاس (معمولاً بین 1 تا یک چهارم طول سریال انتخاب می شود) ، ساعت هورست است ،< · >میانگین نمونه را به موقع نشان می دهد T و Q ترتیب لحظه ای است که در نظر گرفته می شود. در این مقاله همیشه از q = 1 استفاده خواهیم کرد.
GHE با رگرسیون خطی محاسبه می شود و لگاریتم ها را در عبارت موجود در (4) برای مقادیر مختلف τ در نظر می گیرد [3،43].
تفسیر H به شرح زیر است: هنگامی که H از 0. 5 بیشتر است ، روند پایدار است ، وقتی H کمتر از 0. 5 باشد ، ضد پایدار است ، در حالی که حرکت براونی دارای مقدار H برابر با 0. 5 است.
با استفاده از این تکنیک ، جفت هایی با کمترین میزان نمایش هورست باید انتخاب شوند تا بتوانند به میانگین استراتژی هایی که پایه آن نیز پایه و اساس همبستگی و استراتژی های همبستگی است ، استفاده کنند.
2. 4استراتژی تجارت جفت
در مرحله بعد ، ما استراتژی معاملاتی جفت را که از مرجع گرفته شده است توصیف می کنیم [11]. طبق معمول ، ما دو دوره را در نظر می گیریم. اولین دوره تشکیل (یک سال) است که برای انتخاب جفت استفاده می شود. این کار با استفاده از چهار روش تعریف شده در این بخش (فاصله ، همبستگی ، همبستگی و نمایندگی هورست) انجام می شود. دوره دوم دوره اعدام (شش ماه) است که در آن همه جفت های منتخب به شرح زیر معامله می شوند:
3. تشکیل جفت: برخی از پیشنهادات جدید
همانطور که قبلاً اظهار داشتیم ، همه آثار فرض می کنند که مبلغ خریداری شده در سهام برابر با مبلغ فروخته شده در مؤلفه جفت دیگر است. سهم اصلی این مقاله تجزیه و تحلیل در صورت عدم فرض نسبت وزن برابر در شکل گیری جفت ، عملکرد استراتژی های مختلف معاملات جفت را بهبود می بخشد. در این بخش روشهای مختلفی ارائه شده است.
هنگامی که یک جفت تشکیل می شود ، ما از دو سهام A و B استفاده می کنیم. این دو سهام باید به نوعی نرمال شوند ، بنابراین ما یک B ثابت را معرفی می کنیم که سهام A با سهام B B قابل مقایسه باشد. سپس ، برای خرید مقدار t از جفت a b به این معنی است که ما 1 b + 1 t سهام A را خریداری می کنیم و B B + 1 T سهام B را می فروشیم ، در حالی که مبلغ t از جفت را می فروشیم به این معنی است که ما 1 B + می فروشیم1 T سهام A و B B + 1 T سهام b را بخرید.
ما توسط p x (t) لگاریتم قیمت سهام x در زمان t منهای لگاریتم قیمت سهام x در زمان t = 0 ، یعنی p x (t) = log (p r i c e x (t) مشخص خواهیم کرد.)-log (p r i c e x (0)) ، و توسط r x (t) بازده ورود سهام x بین زمان t-1 و t ، r x (t) = p x (t)-p x (t-1)
در این حالت b = 1. این روشی است که در بیشتر ادبیات استفاده می شود. در این حالت ، موقعیت موجود در این زوج خنثی است. این روش در مرجع استفاده شده است [16] ، و از آن زمان ، به روش محبوب تری برای رفع B تبدیل شده است.
نوسانات سهام A S T D (R A) و نوسانات سهام B S T D (R B) است. اگر می خواهیم که A و B B یک نوسانات یکسان داشته باشند ، B = S T D (R A) / S T D (R B). این روش در مرجع استفاده شده است [11] و این بر اساس این ایده است که در صورت داشتن نوسانات یکسان ، هر دو سهام عادی می شوند.
در این حالت ما عملکرد f (b) = ∑ t | را به حداقل می رسانیمP A (T) - B P B (T) |، بنابراین ما به دنبال ضریب وزن B هستیم به طوری که P A و B P B حداقل فاصله را دارند. این رویکرد مبتنی بر همان ایده است که فاصله به عنوان یک روش انتخاب. هرچه نزدیک تر تکامل قیمت سهام A و B B باشد ، به میانگین خواص این زوج باز می گردد.
اگر بازده همبسته باشد ، R A تقریباً برابر با B R B است ، جایی که B با رگرسیون خطی R A = B R B بدست می آید. در این حالت ، اگر بازده سهام A و B همبستگی داشته باشد ، توزیع R A و B R B یکسان خواهد بود ، بنابراین می توانیم از این B برای عادی سازی هر دو سهام استفاده کنیم.
اگر قیمت ها (در واقع ، قیمت ورود به سیستم) هر دو سهام A و B با هم جمع شوند ، P A-B P B ثابت است ، از آنجا که B با رگرسیون خطی P A = B P B بدست می آید. در این حالت ، این مقدار B باعث می شود سری جفت ثابت باشد ، بنابراین می توانیم انتظار داشته باشیم که به میانگین خصوصیات سری جفت برگردد. حتی اگر سهام A و B کاملاً یکپارچه نباشند ، این روش برای محاسبه B ممکن است هنوز هم معتبر باشد ، زیرا ، فکر می شود P A-B P B ممکن است ثابت نباشد ، می تواند به نوعی نزدیک به آن باشد یا هنوز هم معقول باشدخواص
سری این جفت به عنوان s (b) (t) = p a (t) - b p b (t) تعریف شده است. در این حالت ، ما به دنبال ضریب وزن B هستیم به گونه ای که سری جفت S (B) کمترین میزان نمایش هورست را دارد ، آنچه دلالت بر این دارد که این سریال تا حد امکان ضد ماندگار است. بنابراین ما به دنبال B هستیم که عملکرد f (b) = h (s (b)) را به حداقل می رساند ، جایی که h (s (b)) نمایشگر هورست سری سری (b) است. ایده در اینجا شبیه به روش ادغام است ، اما از دیدگاه نظری ، ما انتظار نداریم که P A-B P B ثابت باشد (که با سهام واقعی بسیار دشوار است) ، اما ضد ماندگاری است ، که کافی است. برای استراتژی تجارت ما
4- نتایج تجربی
برای آزمایش نتایج از طریق مدلهای مختلف معرفی شده در این مقاله ، ما از مؤلفه های بخش تکنولوژیکی شاخص NASDAQ 100 استفاده خواهیم کرد (به جدول A1 در پیوست A مراجعه کنید) ، برای دوره بین ژانویه 1999 و دسامبر 2003 ، همزمان با "نقطه. com "سقوط حباب و دوره بین ژانویه 2007 و دسامبر 2012 ، این دوره همزمان با بی ثباتی مالی ناشی از بحران" زیرمجموعه "است. این دوره ها بر اساس نتایج نشان داده شده توسط سانچز و همکاران انتخاب می شوند.[9]
ما علاوه بر روشی که توسط راموس و همکاران ایجاد شده است ، از روشهای سنتی (روش از راه دور ، همبستگی و همبستگی) استفاده می کنیم.[11] بر اساس نماینده Hurst.
در ضمیمه B ، نتایج به دست آمده برای روشهای مختلف انتخاب و روشهای مختلف محاسبه B ، برای دو دوره انتخاب شده نشان داده شده است. علاوه بر بازده های به دست آمده برای هر نمونه کارها از جفت ها ، ما شامل دو شاخص عملکرد و ریسک نمونه کارها ، نسبت شارپ و حداکثر کاهش است.
در دوره اول مورد تجزیه و تحلیل ، روش E W برای محاسبه B هرگز بهترین نیست. به نظر می رسد بهترین روشهای محاسبه B روش ادغام و به حداقل رساندن نماینده Hurst است. همچنین توجه داشته باشید که همبستگی Spearman ، همبستگی و روش های انتخاب Exponent Hurst استراتژی هایی را با نسبت شارپ بالا برای چندین روش برای محاسبه b فراهم می کند.
در دوره دوم مورد تجزیه و تحلیل ، روش E W برای محاسبه B با روش انتخاب ادغام خوب عمل می کند ، اما با سایر موارد چندان خوب نیست ، در حالی که روش همبستگی برای محاسبه B اغلب یکی از بهترین موارد است.
توجه داشته باشید که ، در هر دو دوره ، نسبت شارپ هنگامی که از E W برای محاسبه B استفاده می کنیم ، معمولاً با توجه به روش های دیگر بسیار کم است.
شکل 1 ، شکل 2 ، شکل 3 و شکل 4 نشان دهنده بازگشت تجمعی استراتژی برای روشهای مختلف انتخاب و روشهای مختلف برای محاسبه ب.
شکل 1 بازده های به دست آمده برای دوره 1999-2003 را با استفاده از رویکرد ادغام به عنوان یک روش انتخاب نشان می دهد. ما می توانیم مشاهده کنیم که در کل دوره ، بهترین گزینه انتخاب محاسبه فاکتور B با استفاده از کمترین مقدار نماینده Hurst است ، در حالی که روش E W بدترین است.
شکل 2 بازده به دست آمده برای هر یک از روشهای محاسبه B را برای دوره 1999-2003 ، با استفاده از روش Hurst Exponent برای انتخاب جفت ها و یک نمونه کارها متشکل از 20 جفت نشان می دهد. می توان مشاهده کرد که در دوره مورد مطالعه ، نتایج به دست آمده با استفاده از روش E W نیز منفی است ، در حالی که روش Hurst Exponent دوباره بهترین گزینه است.
برای دوره 2007-2012 ، برای یک نمونه کارها متشکل از 20 جفت انتخاب شده با استفاده از روش فاصله ، شکل 3 بازده تجمعی را برای روشهای مختلف پیشنهادی نشان می دهد. در این حالت می توانیم روشهای همبستگی ، به حداقل رساندن فاصله و همبستگی را به عنوان روشهای محاسبه B که بالاترین بازده را ارائه می دهد ، برجسته کنیم. باز هم ، ما می توانیم مشاهده کنیم که بدترین گزینه ها روش E W به همراه نوسانات است.
شکل 4 نتایج به دست آمده با استفاده از مدلهای مختلف را برای محاسبه فاکتور B برای یک نمونه کارها از 10 جفت با انتخاب آنها با استفاده از مدل Spearman نشان می دهد. ما می توانیم مشاهده کنیم که همه بازده ها در طول دوره مورد مطالعه (2012-2012) مثبت هستند. برجسته ترین روش های همبستگی ، حداقل فاصله و نوسانات است که در این دوره به روشی بسیار مشابه حرکت می کنند. در مقابل ، روش کمترین مقدار از Hurst Exponent و E W یکی بدترین گزینه ها در کل دوره است.
سرانجام ، ما تجزیه و تحلیل حساسیت خود را با تجزیه و تحلیل تأثیر استراتژی در نظر گرفته شده در بخش 2. 4 انجام می دهیم. ما Hurst Exponent را به عنوان روش انتخاب ، 20 جفت در نمونه کارها و دوره 1999-2003 در نظر می گیریم. ما استراتژی را با استفاده از 1 (مانند گذشته) ، 1. 5 و 2 انحراف استاندارد تغییر می دهیم. یعنی ما استراتژی را به شرح زیر اصلاح می کنیم:
جایی که k = 1 ، 1. 5 ، 2. جدول A2 نشان می دهد که E W ، همبستگی و حداقل مسافت بدترین نتیجه را به دست می آورند ، در حالی که همبستگی و نماینده Hurst برای مقادیر مختلف k نتایج قوی و بهتری کسب می کنند.
بحث در مورد نتایج
در جدول A3 ، جدول A4 ، جدول A5 ، جدول A6 ، جدول A7 ، جدول A8 ، جدول A9 و جدول A10 ، نتایج به دست آمده با یک استراتژی معاملاتی جفت نشان داده شده است. در آن جداول ، ما چهار روش مختلف را برای انتخاب جفت (فاصله ، همبستگی ، همبستگی و گسترش هورست) ، سه تعداد مختلف جفت (10 ، 20 و 30 جفت) و دو دوره (1999-2003 و 2007–2012) در نظر گرفته ایم. وادبه طور کلی ، اگر ما روی نسبت شارپ نتایج متمرکز شویم ، در 58 ٪ موارد (14 از 24) روش E W برای محاسبه B یکی از سه (از هفت) بدترین نتیجه را بدست می آورد. اگر روش E W را با سایر روشهای پیشنهادی مقایسه کنیم ، موارد زیر را بدست می آوریم: حداقل نماینده Hurst در 58 ٪ موارد بهتر از E W است ، حداقل فاصله در 58 ٪ موارد بهتر از E W است ، همبستگی بهتر از E W در 67 استدر مواردی ، ادغام بهتر از E W در 58 ٪ موارد و نوسانات در 50 ٪ موارد بهتر از E W است. بنابراین ، به طور کلی ، روشهای پیشنهادی (به جز نوسانات) تمایل به بهتر از E W دارند.
با این حال ، از آنجا که ما در بخش فناوری سهام را در نظر می گیریم ، اگر در حباب dot. com تمرکز کنیم (یعنی دوره 1999-2003) که با توجه به نسبت شارپ نسبت به سهام موجود در سهام در نمونه کارها تأثیر جدی تر بر سهام موجود در نمونه کارها داشت. نتایج ، که در 83 ٪ موارد (10 از 12) روش E W برای محاسبه B یکی از سه (از هفت) بدترین نتیجه را بدست می آورد. در این دوره ، اگر روش E W را با سایر روشهای پیشنهادی مقایسه کنیم ، موارد زیر را به دست می آوریم: حداقل نماینده Hurst در 75 ٪ موارد بهتر از E W است ، حداقل فاصله در 83 ٪ موارد بهتر از E W است ، همبستگی بهتر استدر 83 ٪ موارد ، ادغام بهتر از E W در 83 ٪ موارد و نوسانات بهتر از E W در 58 ٪ موارد است. بنابراین ، به طور کلی ، روشهای پیشنهادی (به جز نوسانات) در این دوره بسیار بهتر از E W یکی هستند.
از طرف دیگر ، در دوره دوم (2007-2012) ، E W بسیار بهتر از دوره اول (2003-2003) عمل می کند و به طور مشابه یا کمی بهتر از سایر روش ها عمل می کند.
نتایج نشان می دهد که این رویکردهای جدید مورد استفاده برای محاسبه فاکتور B نتایج به دست آمده در مقایسه با روش کلاسیک E W برای استراتژی های مختلف و عمدتاً در دوره اول در نظر گرفته شده (2003-2003). بنابراین ، به نظر می رسد که عملکرد معاملات جفت نه تنها بر اساس استراتژی ، بلکه در روش تخصیص در هر سهام نیز می تواند بهبود یابد.
در این بخش ما روشهای مختلفی را برای تخصیص در هر سهام از جفت آزمایش کرده ایم. اگرچه ما از روشهای مختلف تخصیص با تمام روشهای انتخاب مورد تجزیه و تحلیل استفاده کرده ایم ، اما واضح است که برخی از ترکیبات نسبت به سایرین حس بیشتری دارند. به عنوان مثال ، اگر انتخاب جفت با انتخاب جفت با یک نماینده Hurst پایین انجام شود ، روش تخصیص بر اساس به حداقل رساندن نماینده Hurst جفت باید بهتر از سایر روش های تخصیص کار کند.
یکی از اصلی ترین هدف این مقاله این است که می توان تخصیص هر سهام این جفت را در استراتژی معاملات جفت بهبود داد و ما راه هایی برای انجام این تخصیص داده ایم. با این حال ، تحقیقات بیشتری لازم است تا ارزیابی شود که کدام یک از روش ها برای این منظور بهترین است. حتی بهتر ، کدام یک از ترکیبات انتخاب و تخصیص بهترین است. اگرچه این مشکل به عوامل زیادی بستگی دارد و بسته به ترجیحات سرمایه گذار ، برخی از آنها تغییر می کند ، به نظر می رسد تجزیه و تحلیل تصمیم گیری چند معیار (به عنوان مثال به منابع [44،45،46] مراجعه کنید) یک رویکرد خوب برای مقابله با آن است.
در حقیقت ، در تحقیقات بعدی می توان آزمایش کرد اگر روش انتخاب بهبود یابد اگر روش تخصیص را در نظر بگیریم. به عنوان مثال ، برای روش انتخاب فاصله ، می توانیم با توجه به تخصیص در هر سهام ، از روش تخصیص بر اساس به حداقل رساندن فاصله برای عادی سازی قیمت سهام به روشی متفاوت از روش انتخاب فاصله کلاسیک استفاده کنیم. همه روشهای انتخاب را نمی توان از این طریق بهبود بخشید (به عنوان مثال ، روش انتخاب همبستگی بهبود نمی یابد) ، اما برخی از آنها ، از جمله برخی از روش هایی که ما در این مقاله یا روش های انتخاب آینده تجزیه و تحلیل نکرده ایم ، می توانند بهبود یابند.
5. نتیجه گیری ها
در ادبیات معاملاتی جفت ، محققان توجه خود را در افزایش عملکرد معاملات جفت با ارائه روش های مختلف برای انتخاب جفت متمرکز کرده اند. با این حال ، در همه موارد فرض بر این است که مبلغ سرمایه گذاری شده در هر سهام یک جفت (ب) باید برابر باشد. این تکنیک به همان اندازه وزنی (E W) خوانده می شود.
در این مقاله یک رویکرد جدید برای تلاش برای بهبود عملکرد این تکنیک داوری آماری از طریق روشهای جدید در محاسبه b ارائه شده است. هر روش انتخاب می تواند از این روشهای جدید تخصیص بهره مند شود. بسته به روش انتخاب مورد استفاده ، ما ثابت می کنیم که روش های جدید برای محاسبه فاکتور B بازده بیشتری را نسبت به روشهای مورد استفاده در زمان فعلی بدست می آورند.
نتایج نشان می دهد که روش کلاسیک EW و همچنین سایر موارد عملکردی ندارد. همبستگی ، همبستگی و نمایندگی Hurst نتایج بسیار خوبی را برای محاسبه فاکتور b می دهد.
کمک های نویسنده
مفهوم سازی ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛روش شناسی ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛نرم افزار ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛اعتبار سنجی ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛تجزیه و تحلیل رسمی ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛تحقیقات ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛منابع ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛Curation Data ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛پیش نویس تهیه- اصلی ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛Writing-Review & Editing ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛تجسم ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛Suppervision ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛مدیریت پروژه ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. ؛کسب بودجه ، J. P. R.-R. ، J. E. T.-S. و M. á. S.-G. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.
منابع مالی
خوان Evangelista Trinidad-Segovia توسط Grant PGC2018-101555-B-I00 (وزیر Español de Ciencia ، Innovación Y Universidades و Feder) و UAL18-FQM-B038-A (UAL/CECEU/FEDER) پشتیبانی می شود. Miguel Engel Sánchez-Granero حمایت از کمک های مالی PGC2018-101555-B-I00 (وزیر Español de Ciencia ، Innovación y Universidades و Feder) و UAL18-FQM-B038-A (UAL/CECEU/FEDER) و CD TIME را تأیید می کند.
تضاد علاقه
نویسندگان هیچ تضاد منافع را اعلام نمی کنند. سرمایه گذاران هیچ نقشی در طراحی مطالعه نداشتند. در مجموعه ، تجزیه و تحلیل یا تفسیر داده ها. در نوشتن نسخه خطی یا در تصمیم گیری برای انتشار نتایج.
ضمیمه A. سهام بخش فناوری نمونه کارها NASDAQ 100
تیک زدن | شرکت |
---|---|
AAPL | شرکت اپل. |
عیاش | Adobe Systems Incorporated |
ادی | دستگاه های آنالوگ ، شرکت |
ADP | پردازش خودکار داده ها ، شرکت |
با عنوان | Autodesk ، Inc. |
امات | مواد کاربردی ، شرکت |
عیاشی | Activision Blizzard ، Inc. |
در حال | Broadcom محدود |
بیدو | بایدو ، شرکت |
CA | CA ، Inc. |
سرن | شرکت Cerner |
chkp | Check Point Software Technologies Ltd. |
CSCO | Cisco Systems ، Inc. |
CTSH | شرکت راه حل های فناوری شناختی |
CTX | Citrix Systems ، Inc. |
EA | شرکت Electronic Arts Inc. |
FB | Facebook ، Inc. |
FISV | Fiserv ، Inc. |
گوز | Alphabet Inc. |
گوگل | Alphabet Inc. |
intc | شرکت اینتل |
در نظر گرفتن | Intuit Inc. |
LRCX | شرکت تحقیقاتی لام |
MCHP | فناوری میکروچیپ گنجانیده شده است |
msft | شرکت مایکروسافت |
MU | Micron Technology ، Inc. |
mxim | Maxim Integrated Products ، Inc. |
NVDA | شرکت Nvidia |
qcom | Qualcomm Incorporated |
stx | Seagate Technology plc |
شستشو | Skyworks Solutions ، Inc. |
تقارن | شرکت Symantec |
TXN | تگزاس ابزارهای گنجانیده شده |
VRSK | Verisk Analytics ، Inc. |
WDC | شرکت دیجیتال وسترن |
XLNX | Xilinx ، Inc. |
ضمیمه B. نتایج تجربی
برای هر مدل (وزن برابر ، نوسانات ، حداقل فاصله قیمت ورود به سیستم ، همبستگی بازده ، ادغام قیمت ها ، کمترین میزان هورست این جفت) ، ما بسته به میزان جفت موجود در نمونه کارها ، 3 سناریو را در نظر گرفته ایم. واد
جدول A2. مقایسه نتایج با استفاده از روش انتخاب Exponent Hurst برای دوره 1999-2003 با 20 جفت و تعداد مختلف انحراف استاندارد.
جدول A2. مقایسه نتایج با استفاده از روش انتخاب Exponent Hurst برای دوره 1999-2003 با 20 جفت و تعداد مختلف انحراف استاندارد.