Estratégia de negociação de índice aleatório

Uma estratégia de negociação simples Swing para o S & # 038; P 500.
Swing trading é uma maneira de aproveitar as retrações do mercado para obter melhores entradas e negócios mais lucrativos.
Neste artigo, mostro um método simples para negociar o S & P 500 usando um sistema de negociação swing. Eu olho para a lucratividade histórica da estratégia e também uso um teste de entrada aleatória para ver quão robusto é o sistema de entrada.
O que é Swing Trading?
Swing trading é bastante simples. É uma maneira de usar as retrações normais do mercado para entrar nos negócios.
A maneira que eu particularmente gosto de usar o swing trading é combiná-lo com a tendência geral do mercado. A imagem à esquerda é um bom exemplo de como eu quero usar o swing trading. Eu destaquei os possíveis pontos de entrada usando setas verdes. Neste exemplo, a direção de longo prazo do mercado é ascendente. Portanto, só vou negociar nessa direção.
Bem feito, o swing trading nos permite maximizar o nosso ganho potencial, minimizando o risco potencial. Podemos entrar em negociações que têm índices favoráveis ​​de recompensa / risco e aumentar nossas chances de permanecer lucrativas no longo prazo.
Como todas as abordagens de negociação, a negociação de giro tem desvantagens. Durante os mercados com tendência de alta, os traders swing podem perder boas oportunidades de negociação se o preço não retroceder.
A estratégia de negociação simples Swing.
Esta estratégia tem três partes principais:
Para essa estratégia, uso os canais de desvio padrão para identificar a tendência dominante. Eu acho que esses canais são uma excelente maneira de identificar a direção do mercado. A estratégia é longa apenas e se os canais estiverem apontando para cima, entrarei em uma negociação.
A estratégia de saída que estou usando é Bollinger Bands. Bandas de Bollinger se expandem durante a volatilidade do mercado e se contraem durante os períodos de silêncio.
O acionador de entrada é um padrão do Candlestick japonês. Na verdade eu uso um padrão muito simples. Espero que o preço feche abaixo do canal de desvio padrão mais baixo e, em seguida, procure uma vela de baixa. A vela de baixa deve ter um corpo uma porcentagem mínima da altura da vela.
Negociando Resultados do Backtest.
Este backtest de negociação foi realizado usando um Modelo Backtest Tradinformed. Eles são uma ótima maneira de testar suas próprias estratégias e realmente melhorar suas habilidades de negociação.
Eu testei essa estratégia no índice S & P 500 no período diário. Eu usei dados de 1990 a 2016.
Para os resultados abaixo eu tive um stop-loss calculado em 3 vezes o ATR. Eu configurei o multiplicador Bollinger Band para 1,5 desvios padrão. Os canais de desvio padrão foram calculados com base em 200 dias e foram compensados ​​por 0,5 desvios padrão. O corpo do gatilho de entrada da vela deve ter pelo menos 65% da altura total da vela (entre a alta e a baixa).
Entrada aleatória & # 8211; Como robusto é o sistema de entrada.
Como bons backtesters e traders, devemos sempre desconfiar de nossos resultados. É tão fácil permitir que o preconceito e o excesso de otimismo afetem nossos resultados. Neste caso, decidi testar a eficácia do acionador de entrada do candlestick. Então, vou comparar a entrada do candlestick a uma entrada aleatória. Deixarei todo o resto do mesmo jeito. Eu realizei 5 testes de entrada aleatória e peguei os valores médios.
Conclusões
Os resultados originais mostraram que essa estratégia de negociação do swing foi lucrativa durante um longo período de tempo no índice S & P 500. Tem um percentual relativamente alto de vencedores e tem um rebaixamento relativamente baixo. A comparação dos resultados originais com o teste de entrada aleatória demonstrou que o acionador de entrada funciona melhor do que a entrada aleatória neste teste. Também mostra que o sistema de filtro e saída pode ser lucrativo a longo prazo sem depender completamente do acionador de entrada.
Mais recursos.
Se você está interessado em explorar mais sobre o comércio de swing eu realmente gostei de ler Swing Trading For Dummies por Omar Bassal. É uma boa introdução ao assunto. Eu sou fã da série For Dummies, neste caso, há um bom uso do humor e o material é claramente apresentado. O autor inclui muitas informações e idéias de negociação.
Outra boa maneira de melhorar o seu swing é usar Fibonacci Retracements. No meu artigo sobre Calculando retrocessos Fibonacci automaticamente eu mostro meu método para colocar os níveis Fibonacci Retracements em uma planilha do Excel.
Pode ser mais fácil entender uma estratégia assistindo. Confira o meu vídeo demonstrando a estratégia e a planilha do backtest.
Outros artigos que você pode gostar.
// Todos os comerciantes podem se beneficiar do teste de suas estratégias de negociação. Pode destacar pontos fortes e & hellip;
Neste artigo, mostro como você pode usar o Excel para testar seu próprio estoque & hellip;
// Retrações de Fibonacci são uma das melhores maneiras de entender a ação do preço de mercado. Se você & hellip;
Tradinformed.
Tradinformed está empenhada em ajudar os comerciantes a desenvolver suas habilidades e ficar à frente da concorrência. Veja como você pode aprender a fazer backtest de suas próprias estratégias e obter novas ideias de negociação.
3 rentável Ichimoku Trading Strategies Um sistema de negociação simples, rentável Heikin-Ashi Como calcular o indicador SuperTrend usando o Excel Home Como calcular um Trailing Stop-Loss usando o Excel Como calcular o Williams% R Usando o Excel Como negociar gráficos de quebra de linha 3 lucrativamente Últimas postagens.
Negociação Algorítmica (1) Opções Binárias (2) Padrões Gráficos (1) Criptomoedas (1) Ebook (2) Dados Econômicos (1) Crescimento Econômico (2) Biblioteca de Traders Essenciais (4) Comércio de Excel (6) Planilhas Google (1) Como para o Backtest (2) Entrevistas com Traders (1) Learn to Trade (18) MT4 (5) Trade Ideas (2) Automação de Negociação (3) Trading Book Reviews (1) Carteiras de Negociação (1) Trading Information (10) Trading Psychology ( 2) Estratégias de Negociação (25) Sem categoria (2)
Simulador de Monte Carlo e libra; 8,63 6 em 1 pacote & libra; 63,35 e libra; 50.67 Bitcoin Breakout Estratégia de Negociação & pound; 15,30 10 em 1 pacote & libra; 120,59 e libra; 81,40.
21 Indicadores Técnicos & libra; 4.31 Long-Short Backtest Model usando Excel & libra; 8,82 Advanced Backtest Model & libra; 15,30 21 Indicadores Mais Técnicos & libra; 4,31.
VIX Volatilidade S & P 500 Entry & pound; 15,30 4 em 1 pacote & libra; 32,75 e libra; 27.84 Long-Short Backtest Model usando o Excel & libra; 8,82.
Tradinformed está empenhada em ajudar os comerciantes a desenvolver suas habilidades e ficar à frente da concorrência. Veja como você pode aprender a fazer backtest de suas próprias estratégias e obter novas ideias de negociação.

Estratégia de negociação de índices aleatórios
Afiliação: Dipartimento di Economia e Impresa, Universitá di Catania, Catania, Itália.
Alessandro Pluchino.
Afiliações: Dipartimento di Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.
Andrea Rapisarda.
Afiliações: Dipartimento di Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.
Dirk Helbing.
Afiliação: ETH Zurique, Zurique, Suíça.
Neste artigo, exploramos o papel específico da aleatoriedade nos mercados financeiros, inspirados pelo papel benéfico do ruído em muitos sistemas físicos e em aplicações anteriores a sistemas socioeconômicos complexos. Após uma breve introdução, estudamos o desempenho de algumas das estratégias de negociação mais utilizadas na previsão da dinâmica dos mercados financeiros para diferentes índices internacionais de bolsa de valores, com o objetivo de compará-las ao desempenho de uma estratégia completamente aleatória. A este respeito, os dados históricos para FTSE-UK, FTSE-MIB, DAX e S & amp; Os índices P500 são levados em conta por um período de cerca de 15 a 20 anos (desde sua criação até hoje).
Citação: Biondo AE, Pluchino A, Rapisarda A, Helbing D (2013) As Estratégias de Negociação Aleatória são Mais Bem-sucedidas que as Técnicas? PLoS ONE 8 (7): e68344. doi: 10.1371 / journal. pone.0068344.
Editor: Alejandro Raul Hernandez Montoya, Universidade Veracruzana, México.
Direitos autorais: © 2013 Biondo et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença de Atribuição da Creative Commons, que permite uso, distribuição e reprodução irrestritos em qualquer meio, desde que o autor e a fonte originais sejam creditados.
Financiamento: Os autores não têm apoio ou financiamento para relatar.
Interesses concorrentes: Os autores declararam que não existem interesses concorrentes.
Introdução.
Na física, tanto no nível clássico quanto quântico, muitos sistemas reais funcionam bem e mais eficientemente devido ao papel útil de um ruído fraco aleatório [1] - [6]. Mas não apenas os sistemas físicos se beneficiam da desordem. De fato, o ruído tem uma grande influência na dinâmica de células, neurônios e outras entidades biológicas, mas também em sistemas ecológicos, geofísicos e socioeconômicos. Seguindo essa linha de pesquisa, investigamos recentemente como estratégias aleatórias podem ajudar a melhorar a eficiência de um grupo hierárquico para enfrentar o princípio de Peter [7] - [9] ou uma instituição pública como um Parlamento [10]. Outros grupos exploraram com sucesso estratégias semelhantes em jogos de minorias e Parrondo [11], [12], na avaliação de desempenho de portfólio [13] e no contexto do leilão duplo contínuo [14].
Recentemente Taleb foi brilhantemente discutido em seus livros de sucesso, como o acaso e os cisnes negros governam nossa vida, mas também o comportamento da economia e do mercado financeiro além de nossas expectativas ou controle pessoal e racional. Na verdade, a aleatoriedade entra em nossa vida cotidiana, embora dificilmente a reconheçamos. Portanto, mesmo sem ser cético tanto quanto Taleb, pode-se facilmente afirmar que muitas vezes entendemos mal os fenômenos que nos rodeiam e somos enganados por aparentes conexões que são apenas devido à fortuna. Os sistemas econômicos são inevitavelmente afetados pelas expectativas, presentes e passadas, já que as crenças dos agentes influenciam fortemente sua dinâmica futura. Se hoje surgiu uma expectativa muito boa sobre o desempenho de qualquer segurança, todos tentariam comprá-la e essa ocorrência implicaria um aumento em seu preço. Então, amanhã, essa garantia teria um preço maior do que hoje, e esse fato seria apenas a consequência da própria expectativa do mercado. Essa profunda dependência das expectativas fez com que economistas financeiros tentassem construir mecanismos para prever os preços futuros dos ativos. O objetivo deste estudo é precisamente verificar se esses mecanismos, que serão descritos em detalhes nas próximas seções, são mais eficazes para prever a dinâmica do mercado em comparação com uma estratégia completamente aleatória.
Em um artigo anterior [17], motivado também por alguns experimentos intrigantes em que uma criança, um chimpanzé e dardos foram utilizados com sucesso para investimentos remunerativos [18], [19], já encontramos algumas evidências a favor de estratégias aleatórias para o FTSE - Mercado de ações do Reino Unido. Aqui vamos estender esta investigação para outros mercados financeiros e para novas estratégias de negociação. O artigo está organizado da seguinte forma. A seção 2 apresenta uma breve introdução ao debate sobre a previsibilidade nos mercados financeiros. Na Seção 3, introduzimos a série histórica financeira considerada em nosso estudo e realizamos uma análise de retificação em busca de possíveis correlações de algum tipo. Na Seção 4, definimos as estratégias de negociação usadas em nossas simulações, enquanto na Seção 5 discutimos os principais resultados obtidos. Finalmente, na Seção 6, extraímos nossas conclusões, sugerindo também algumas implicações políticas contraintuitivas.
Expectativas e Previsibilidade nos Mercados Financeiros.
Como Simon [20] apontou, os indivíduos assumem sua decisão com base em um conhecimento limitado sobre seu ambiente e, assim, enfrentam altos custos de busca para obter informações necessárias. No entanto, normalmente, eles não podem reunir todas as informações que deveriam. Portanto, os agentes agem com base na racionalidade limitada, o que leva a vieses significativos na maximização da utilidade esperada que eles buscam. Em contraste, Friedman [21] defendeu a abordagem do agente racional, que considera que o comportamento dos agentes pode ser melhor descrito assumindo sua racionalidade, uma vez que os agentes não-racionais não sobrevivem à competição no mercado e são expulsos dele. Portanto, nem os vieses sistemáticos na utilidade esperada, nem a racionalidade limitada podem ser usados ​​para descrever os comportamentos dos agentes e suas expectativas.
Sem qualquer receio de contradição, poder-se-ia dizer que hoje em dia dois principais modelos de referência de expectativas foram amplamente estabelecidos na literatura econômica: o modelo de expectativas adaptativas e o modelo de expectativa racional. Aqui não daremos nenhuma definição formal desses paradigmas. Para os nossos propósitos, é suficiente recordar sua justificativa. O modelo de expectativas adaptativas baseia-se em uma série ponderada de valores retrospectivos (de modo que o valor esperado de uma variável é o resultado da combinação de seus valores passados). Em contraste, o modelo de expectativas racionais hipotetiza que todos os agentes têm acesso a todas as informações disponíveis e, portanto, conhecem exatamente o modelo que descreve o sistema econômico (o valor esperado de uma variável é a previsão objetiva fornecida pela teoria). Essas duas teorias remontam a contribuições muito relevantes, entre as quais nos referimos apenas a Friedman [21], [22], Phelps [23] e Cagan [24] para expectativas adaptativas (vale a pena notar que a noção de “ expectativas adaptativas ”foi introduzido pela primeira vez por Arrow e Nerlove [25]). Para expectativas racionais, nos referimos a Muth [26], Lucas [27] e Sargent-Wallace [28].
Os mercados financeiros são frequentemente tomados como exemplo de dinâmicas complexas e volatilidade perigosa. Isso de alguma forma sugere a ideia de imprevisibilidade. No entanto, devido ao papel relevante desses mercados no sistema econômico, um amplo corpo de literatura foi desenvolvido para obter algumas previsões confiáveis. De fato, a previsão é o ponto chave dos mercados financeiros. Desde Fama [29], dizemos que um mercado é eficiente se ocorrer uma arbitragem perfeita. Isso significa que o caso de ineficiência implica a existência de oportunidades para lucros inexplorados e, é claro, os operadores operariam imediatamente posições longas ou curtas até que qualquer outra possibilidade de lucro desaparecesse. Jensen [30] afirma precisamente que um mercado deve ser considerado eficiente no que diz respeito a um conjunto de informações, se for impossível obter lucros através da negociação com base nesse conjunto de informações. Isso é consistente com Malkiel [31], que argumenta que um mercado eficiente reflete perfeitamente todas as informações na determinação dos preços dos ativos. Como o leitor pode entender facilmente, a parte mais importante dessa definição de eficiência depende da integridade do conjunto de informações. De fato, Fama [29] distingue três formas de eficiência de mercado, de acordo com o grau de completude do conjunto informativo (ou seja, “fraco”, “semiforte” e “forte”). Assim, traders e analistas financeiros buscam continuamente expandir seu conjunto de informações para obter a oportunidade de escolher a melhor estratégia: esse processo envolve tanto agentes em flutuações de preço que, ao final do dia, pode-se dizer que sua atividade é reduzida a um palpite sistemático. A globalização completa dos mercados financeiros ampliou esse processo e, com o tempo, estamos experimentando décadas de extrema variabilidade e alta volatilidade.
Keynes argumentou, há muitos anos, que a racionalidade dos agentes e da psicologia de massa (os chamados "espíritos animais") não devem ser interpretados como se fossem a mesma coisa. O Autor apresentou o famoso exemplo do concurso de beleza para explicar a lógica subjacente aos mercados financeiros. Em sua Teoria Geral [32], ele escreveu que “o investimento baseado em expectativas genuínas de longo prazo é tão difícil que dificilmente é praticável. Aquele que o tenta certamente deve levar dias muito mais trabalhosos e correr riscos maiores do que aquele que tenta adivinhar melhor do que a multidão como a multidão se comportará; e, dada inteligência igual, ele pode cometer erros mais desastrosos. Em outras palavras, a fim de prever o vencedor do concurso de beleza, deve-se tentar interpretar a beleza preferida do júri, em vez de prestar atenção no ideal da beleza objetiva. Nos mercados financeiros é exatamente a mesma coisa. Parece impossível prever preços de ações sem erros. A razão é que nenhum investidor pode saber de antemão a opinião “do júri”, ou seja, de uma massa de investidores ampla, heterogênea e muito substancial, que reduz qualquer previsão possível a apenas um palpite.
Apesar de considerações como essas, a chamada Hipótese dos Mercados Eficientes (cuja principal fundamentação teórica é a teoria das expectativas racionais), descreve o caso de mercados perfeitamente competitivos e agentes perfeitamente racionais, dotados de toda informação disponível, que escolhem as melhores estratégias ( já que, de outra forma, o mecanismo competitivo de compensação os colocaria fora do mercado). Há evidências de que essa interpretação de um mecanismo de arbitragem perfeito em pleno funcionamento não é adequada para analisar os mercados financeiros, como, por exemplo: Cutler et al. [33], que mostra que grandes movimentos de preços ocorrem mesmo quando pouca ou nenhuma nova informação está disponível; Engle [34], que relatou que a volatilidade dos preços está fortemente correlacionada temporalmente; Mandelbrot [35], [36], Lux [37], Mantegna e Stanley [38], que argumentam que as flutuações de curto prazo dos preços não são normais; ou por último, mas não menos importante, Campbell e Shiller [39], que explicam que os preços podem não refletir com precisão as avaliações racionais.
Muito interessante, uma infinidade de modelos de agentes heterogêneos foram introduzidos no campo da literatura financeira. Nesses modelos, diferentes grupos de comerciantes coexistem, com diferentes expectativas, influenciando-se mutuamente por meio das conseqüências de seus comportamentos. Mais uma vez, nossa discussão não pode ser exaustiva aqui, mas podemos mencionar proveitosamente pelo menos contribuições de Brock [40], [41], Brock e Hommes [42], Chiarella [43], Chiarella e He [44], DeGrauwe e cols. . [45], Frankel e Froot [46], Lux [47], Wang [48] e Zeeman [49].
Parte dessa literatura refere-se à abordagem, denominada “sistemas de crenças adaptativas”, que tenta aplicar a não-linearidade e o ruído aos modelos de mercado financeiro. A incerteza intrínseca sobre fundamentos econômicos, juntamente com erros e heterogeneidade, leva à ideia de que, além do valor fundamental (ou seja, o valor atual descontado dos fluxos esperados de dividendos), os preços das ações flutuam de forma imprevisível devido a fases de otimismo ou pessimismo. para as fases correspondentes de tendência de alta e tendência de baixa que causam crises de mercado. Como esse tipo de comportamento errático pode ser gerenciado para otimizar uma estratégia de investimento? A fim de explicar a atitude muito diferente adotada pelos agentes para escolher estratégias ao negociar nos mercados financeiros, uma distinção é feita entre fundamentalistas e cartistas. Os primeiros baseiam suas expectativas sobre os preços dos ativos futuros sobre os fundamentos do mercado e fatores econômicos (isto é, variáveis ​​micro e macroeconômicas, como dividendos, lucros, crescimento econômico, taxas de desemprego, etc.). Por outro lado, os últimos tentam extrapolar tendências ou características estatisticamente relevantes de séries passadas de dados, a fim de prever os caminhos futuros dos preços dos ativos (também conhecidos como análise técnica).
Dado que a interação destes dois grupos de agentes determina a evolução do mercado, escolhemos aqui focar no comportamento dos grafistas (uma vez que uma análise qualitativa dos fundamentos macroeconômicos é absolutamente subjetiva e difícil de avaliar), tentando avaliar a ex-investidora individual capacidade preditiva - ante. Assumindo a falta de informação completa, a aleatoriedade desempenha um papel fundamental, uma vez que a eficiência é impossível de ser alcançada. Isto é particularmente importante para sublinhar que a nossa abordagem não depende de qualquer forma do paradigma da Hipótese dos Mercados Eficientes acima mencionado. Mais precisamente, estamos buscando a resposta para a seguinte questão: se um trader assume a falta de informação completa em todo o mercado (isto é, a imprevisibilidade da dinâmica dos preços das ações [50] - [53]), seria estratégia de negociação executar, em média, tão bem como estratégias de negociação bem conhecidas? Passamos da evidência de que, como cada agente depende de um conjunto de informações diferente para construir suas estratégias de negociação, nenhum mecanismo eficiente pode ser invocado. Em vez disso, uma rede complexa de comportamento de auto-influência, devido à circulação assimétrica de informações, desenvolve suas ligações e gera comportamentos de manada para seguir alguns sinais cuja credibilidade é aceita.
Crises financeiras mostram que os mercados financeiros não estão imunes a falhas. Seu sucesso periódico não é gratuito: eventos catastróficos queimam valores enormes em dólares e os sistemas econômicos em grave perigo. Os comerciantes têm tanta certeza de que estratégias elaboradas se encaixam na dinâmica dos mercados? A nossa simulação simples irá realizar uma análise comparativa do desempenho de diferentes estratégias de negociação: os nossos traders terão que prever, dia a dia, se o mercado irá subir (tendência 'alta') ou para baixo (tendência 'bearish'). As estratégias testadas são: o Momentum, o RSI, o UPD, o MACD e um completamente aleatório.
Os teóricos das expectativas racionais imediatamente apostariam que a estratégia aleatória perderia a concorrência, pois não está usando nenhuma informação, mas, como mostraremos, nossos resultados são bastante surpreendentes.
Análise Detectada da Série de Índices.
Consideramos quatro índices muito populares de mercados financeiros e, em particular, analisamos as seguintes séries temporais correspondentes, mostradas na Figura 1:
Expandir Figura 1. Evolução temporal de quatro índices importantes do mercado financeiro (com intervalos de tempo de 3714 a 5750 dias).
De cima para baixo, mostramos o índice FTSE UK All-Share, o índice FTSE MIB All-Share, o índice DAX All-Share e o índice S & amp; Índice P 500. Veja o texto para mais detalhes.
Em geral, a possibilidade de prever séries temporais financeiras tem sido estimulada pelo achado de algum tipo de comportamento persistente em alguns deles [38], [54], [55]. O principal objetivo da presente seção é investigar a possível presença de correlações nas quatro séries financeiras anteriores do mercado de ações da Europa e dos EUA todos os índices de ações. Neste contexto, calcularemos o expoente de Hurst dependente do tempo usando a técnica de média móvel desviada (DMA) [56]. Vamos começar com um resumo do algoritmo DMA. O procedimento computacional é baseado no cálculo do desvio padrão ao longo de uma determinada série temporal definida como.
onde é a média calculada em cada janela de tempo de tamanho. Para determinar o expoente de Hurst, a função é calculada para valores crescentes dentro do intervalo, sendo o comprimento da série temporal, e os valores obtidos são reportados como uma função de um gráfico log-log. Em geral, exibe uma dependência da lei de potência com o expoente, ou seja,
Em particular, se, um tiver uma correlação negativa ou um comportamento anti-persistente, enquanto um tiver uma correlação positiva ou um comportamento persistente. O caso de corresponde a um processo browniano não correlacionado. No nosso caso, como primeiro passo, calculamos o expoente de Hurst considerando a série completa. Esta análise é ilustrada nas quatro parcelas da Fig. 2. Aqui, um ajuste linear aos gráficos log-log revela que todos os valores do índice H de H obtidos desta maneira para as séries temporais estudadas são, em média, muito próximos. para 0,5. Este resultado parece indicar uma ausência de correlações em grandes escalas de tempo e uma consistência com um processo aleatório.
Expandir a Figura 2. Análise detetada para as quatro séries do mercado financeiro mostradas na Figura 1.
O comportamento da lei de potência do desvio padrão de DMA permite derivar um índice de Hurst que, em todos os quatro casos, oscila em torno de 0,5, indicando uma ausência de correlações, em média, ao longo de grandes períodos de tempo. Veja o texto.
Por outro lado, é interessante calcular o expoente de Hurst localmente no tempo. Para realizar esta análise, consideramos subconjuntos da série completa por meio de janelas deslizantes de tamanho, que se movem ao longo da série com o intervalo de tempo. Isso significa que, a cada vez, calculamos o interior da janela deslizante mudando com a Eq. (1). Assim, seguindo o mesmo procedimento descrito acima, uma sequência de valores de expoente de Hurst é obtida em função do tempo. Na Fig. 3 mostramos os resultados obtidos para os parâmetros,. Neste caso, os valores obtidos para o expoente de Hurst diferem muito localmente de 0,5, indicando assim a presença de correlações locais significativas.
Expandir a Figura 3. Dependência temporal do índice de Hurst para as quatro séries: em escalas de tempo menores, correlações significativas estão presentes.
Esta investigação, que está de acordo com o que foi encontrado anteriormente na Ref. [56] para o índice Dax, parece sugerir que as correlações são importantes apenas em uma escala temporal local, enquanto elas cancelam a média em períodos de longo prazo. Como veremos nas próximas seções, esse recurso afetará o desempenho das estratégias de negociação consideradas.
Descrição das Estratégias de Negociação.
No presente estudo, consideramos cinco estratégias de negociação definidas da seguinte forma:
Estratégia Aleatória (RND) Esta estratégia é a mais simples, já que o trader correspondente faz sua previsão no tempo completamente ao acaso (com distribuição uniforme). Momentum (MOM) Estratégia Esta estratégia é baseada no chamado indicador de momentum, ou seja, a diferença entre o valor e o valor, onde é um dado intervalo de negociação (em dias). Então, se, o comerciante prevê um incremento do índice de fechamento para o dia seguinte (ou seja, ele prevê isso) e vice-versa. Nas seguintes simulações, consideraremos dias, já que este é um dos mais utilizados para o indicador de momento. Veja ref. [57] Estratégia do Índice de Força Relativa (RSI) Esta estratégia é baseada em um indicador mais complexo chamado "RSI". É considerada uma medida da força de negociação recente da ação e sua definição é:, onde está a relação entre a soma dos retornos positivos e a soma dos retornos negativos ocorridos nos últimos dias anteriores. Uma vez calculado o índice RSI para todos os dias incluídos em uma janela de tempo imediatamente anterior à hora, o trader que segue a estratégia RSI faz sua previsão com base em uma possível reversão da tendência de mercado, revelada pelo a chamada 'divergência' entre a série temporal original e a nova série RSI. Uma divergência pode ser definida referindo-se a uma comparação entre a série de dados original e a série RSI gerada, e é o sinal de negociação mais significativo fornecido por qualquer indicador de estilo do oscilador. É o caso quando a tendência significativa entre dois extremos locais mostrada pela tendência do RSI é orientada na direção oposta à tendência significativa entre dois extremos (no mesmo intervalo de tempo) mostrados pela série original. Quando a linha RSI se inclina de maneira diferente da linha da série original, ocorre uma divergência. Veja o exemplo na Fig. 4: dois máximos locais seguem duas tendências diferentes inclinadas de forma oposta. No caso mostrado, o analista interpretará essa divergência como uma expectativa otimista (já que o oscilador RSI diverge da série original: ela começa a aumentar quando a série original ainda está diminuindo). Em nosso modelo simplificado, a presença de tal divergência se traduz em uma mudança na previsão do sinal, dependendo da tendência de alta ou baixa dos dias anteriores. Nas simulações seguintes, escolheremos dias, uma vez que - mais uma vez - este valor é um dos mais utilizados nas estratégias de negociação reais baseadas no RSI. Veja ref. [57] Estratégia de Up and Down Persistency (UPD) Esta estratégia determinista não vem da análise técnica. No entanto, decidimos considerá-lo porque parece seguir o aparentemente alternativo comportamento “subindo e descendo” das séries de mercado que qualquer observador pode ver à primeira vista. A estratégia é baseada na seguinte regra muito simples: a previsão para o comportamento do mercado amanhã é exatamente o oposto do que aconteceu no dia anterior. Se, por exemplo, um tiver, a expectativa no momento para o período será de alta: e vice-versa. Estratégia de Divergência de Convergência Média Móvel (MACD) A 'MACD' é uma série construída por meio da diferença entre duas Médias Móveis Exponenciais (EMA, doravante) do preço de mercado, referindo-se a duas janelas de tempo diferentes, uma menor e uma maior. Em qualquer momento t. Em particular, a primeira é a média móvel exponencial de doze dias, enquanto a segunda se refere a vinte e seis dias. O cálculo desses EMAs em um intervalo de tempo pré-determinado, x, dado um peso de proporcionalidade, é executado pela seguinte fórmula recursiva: com, onde. Uma vez calculada a série MACD, obtém-se a média móvel exponencial de 9 dias e, finalmente, a estratégia de negociação para a previsão dinâmica do mercado pode ser definida: a expectativa para o mercado é de alta (baixa) se (). Veja ref. [57] Expandir Figura 4. Exemplo de divergência de RSI.
Uma divergência é um desacordo entre o indicador (RSI) e o preço subjacente. Por meio de linhas de tendência, o analista verifica se as inclinações de ambas as séries estão de acordo. Quando a divergência ocorre, uma inversão da dinâmica de preços é esperada. No exemplo, um período de alta é esperado.
Resultados de Simulações Baseadas em Empiricamente.
Para cada uma de nossas quatro séries temporais financeiras (em dias), o objetivo era simplesmente prever, dia a dia e para cada estratégia, o movimento ascendente (alta) ou descendente (baixa) do índice em um determinado dia com em relação ao valor de fechamento um dia antes: se a previsão estiver correta, o negociador ganha, caso contrário ele perde. Neste sentido, estamos interessados ​​apenas em avaliar a porcentagem de ganhos obtidos por cada estratégia, assumindo que - a cada passo - os operadores conhecem perfeitamente a história passada dos índices, mas não possuem nenhuma outra informação e não podem exercer nenhuma influência sobre os mesmos. mercado, nem receber qualquer informação sobre movimentos futuros.
A seguir, testamos o desempenho das cinco estratégias dividindo cada uma das quatro séries temporais em uma sequência de janelas de negociação de tamanho igual (em dias) e avaliando a porcentagem média de vitórias para cada estratégia dentro de cada janela enquanto os operadores se movem. ao longo da série dia a dia, de para. Este procedimento, quando aplicado, permite explorar o desempenho das várias estratégias para várias escalas de tempo (variando, de forma aproximada, de meses a anos).
A motivação por trás dessa escolha está ligada ao fato de que a evolução temporal de cada índice alterna claramente entre períodos calmos e voláteis, que em uma resolução mais precisa revelaria uma alternância mais autosemelhante de comportamento intermitente e regular em escalas de tempo menores. uma característica dos mercados financeiros turbulentos [35], [36], [38], [58]. Tal característica torna qualquer previsão a longo prazo de seu comportamento muito difícil ou mesmo impossível com instrumentos de análise financeira padrão. O ponto é que, devido à presença de correlações em pequenas escalas temporais (como confirmado pela análise do expoente de Hurst dependente do tempo na Figura 3), pode-se esperar que uma dada estratégia de negociação padrão, baseada na história passada da índices, poderia executar melhor do que os outros dentro de uma determinada janela de tempo. Mas isso pode depender muito mais do acaso do que da eficácia real do algoritmo adotado. Por outro lado, se numa escala temporal muito grande a evolução do tempo do mercado financeiro é um processo browniano não correlacionado (como indicado pelo expoente médio de Hurst, que resulta em torno de todas as séries financeiras consideradas), pode-se esperar também que o desempenho das estratégias de negociação padrão em uma grande escala de tempo torna-se comparável a estratégias aleatórias. Na verdade, isso é exatamente o que encontramos, conforme explicado a seguir.
Nas Figs. 5–8, relatamos os resultados de nossas simulações para os quatro índices de ações considerados (FTSE-UK, FTSE-MIB, DAX, S & P 500). Em cada figura, de cima para baixo, plotamos: a série temporal do mercado em função do tempo; a série de "retornos" correspondente, determinada como a proporção; the volatility of the returns, i. e. the variance of the previous series, calculated inside each window for increasing values of the trading window size (equal to, from left to right, , , and respectively); the average percentage of wins for the five trading strategies considered, calculated for the same four kinds of windows (the average is performed over all the windows in each configuration, considering different simulation runs inside each window); the corresponding standard deviations for the wins of the five strategies.
Expand Figure 5. Results for the FTSE-UK index series, divided into an increasing number of trading-windows of equal size (3,9,18,30), simulating different time scales.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
Observing the last two panels in each figure, two main results are evident:
The average percentages of wins for the five strategies are always comparable and oscillate around , with small random differences which depend on the financial index considered. The performance of of wins for all the strategies may seem paradoxical, but it depends on the averaging procedure over all the windows along each time series. In Fig. 9 we show, for comparison, the behavior of the various strategies for the four financial indexes considered and for the case (the score in each window is averaged over different events): as one can see, within a given trading window each single strategy may randomly perform much better or worse than , but on average the global performance of the different strategies is very similar. Moreover, referring again to Figs. 5–8, it is worth to notice that the strategy with the highest average percentage of wins (for most of the windows configurations) changes from one index to another one: for FTSE-UK, the MOM strategy seems to have a little advantage; for FTSE-MIB, the UPD seems to be the best one; for DAX, the RSI, and for the S & P 500, the UPD performs slightly better than the others. In any case the advantage of a strategy seems purely coincidental. The second important result is that the fluctuations of the random strategy are always smaller than those of the other strategies (as it is also visible in Fig. 9 for the case ): this means that the random strategy is less risky than the considered standard trading strategies, while the average performance is almost identical. This implies that, when attempting to optimize the performance, standard traders are fooled by the “illusion of control” phenomenon [11], [12], reinforced by a lucky sequence of wins in a given time window. However, the first big loss may drive them out of the market. On the other hand, the effectiveness of random strategies can be probably related to the turbulent and erratic character of the financial markets: it is true that a random trader is likely to win less in a given time window, but he/she is likely also to loose less. Therefore his/her strategy implies less risk, as he/she has a lower probability to be thrown out of the game. Expand Figure 9. The percentage of wins of the different strategies inside each time window - averaged over 10 different events - is reported, in the case N w = 30, for the four markets considered.
As visible, the performances of the strategies can be very different one from the others inside a single time window, but averaging over the whole series these differences tend to disappear and one recovers the common outcome shown in the previous figures.
Conclusions and Policy Implications.
In this paper we have explored the role of random strategies in financial systems from a micro-economic point of view. In particular, we simulated the performance of five trading strategies, including a completely random one, applied to four very popular financial markets indexes, in order to compare their predictive capacity. Our main result, which is independent of the market considered, is that standard trading strategies and their algorithms, based on the past history of the time series, although have occasionally the chance to be successful inside small temporal windows, on a large temporal scale perform on average not better than the purely random strategy, which, on the other hand, is also much less volatile. In this respect, for the individual trader, a purely random strategy represents a costless alternative to expensive professional financial consulting, being at the same time also much less risky, if compared to the other trading strategies.
This result, obtained at a micro-level, could have many implications for real markets also at the macro-level, where other important phenomena, like herding, asymmetric information, rational bubbles occur. In fact, one might expect that a widespread adoption of a random approach for financial transactions would result in a more stable market with lower volatility. In this connection, random strategies could play the role of reducing herding behavior over the whole market since, if agents knew that financial transactions do not necessarily carry an information role, bandwagon effects could probably fade. On the other hand, as recently suggested by one of us [59], if the policy-maker (Central Banks) intervened by randomly buying and selling financial assets, two results could be simultaneously obtained. From an individual point of view, agents would suffer less for asymmetric or insider information, due to the consciousness of a “fog of uncertainty” created by the random investments. From a systemic point of view, again the herding behavior would be consequently reduced and eventual bubbles would burst when they are still small and are less dangerous; thus, the entire financial system would be less prone to the speculative behavior of credible “guru” traders, as explained also in [60]. Of course, this has to be explored in detail as well as the feedback effect of a global reaction of the market to the application of these actions. This topic is however beyond the goal of the present paper and it will be investigated in a future work.
Agradecimentos
We thank H. Trummer for DAX historical series and the other institutions for the respective data sets.
Author Contributions.
Conceived and designed the experiments: AEB AP AR DH. Performed the experiments: AEB AP AR. Analyzed the data: AEB AP AR. Wrote the paper: AEB AP AR DH.
Referências.
1. Kirkpatrick S, Gelatt CD, Vecchi MP (1983) Optimization by Simulated Annealing. Science 220: 671–680. 2. Benzi R, Parisi G, Sutera A, Vulpiani A (1982) Stochastic resonance in climatic change. Tellus 34: 10–16. 3. Gammaitoni L, Hanggi P, Jung P, Marchesoni F (1989) Stochastic Resonance. Reviews of Modern Physics, 70 (1): 223–287. 4. Mantegna R, Spagnolo B (1996) Noise enhanced stability in an unstable system. Phys. Rev. Lett. 76: 563–566. 5. Caruso F, Huelga SF, Plenio MB (2010) Noise-Enhanced Classical and Quantum Capacities in Communication Networks. Phys. Rev. Lett. 105(198): 190501. 6. Van den Broeck C, Parrondo JMR, Toral R (1994) Noise-Induced Non-equilibrium Phase Transition. Physical Review Letters 73: 3395. 7. Peter LJ, Hull R (1969) The Peter Principle: Why Things Always Go Wrong. New York: William Morrow and Company. 8. Pluchino A, Rapisarda A, Garofalo C (2010) The Peter Principle revisited: a computational study. Physica A 389: 467–472 Available: oldweb. ct. infn. it/cactus/peter-links. html. 9. Pluchino A, Rapisarda A, Garofalo C (2011) Efficient promotion strategies in hierarchical organizations. Physica A 390: 3496–3511. 10. Pluchino A, Rapisarda A, Garofalo C, Spagano S, Caserta M (2011) Accidental Politicians: How Randomly Selected Legislators Can improve Parliament Efficiency. Physica A, 2011 390: 3944–3954 Available: pluchino. it/Parliament. html. 11. Satinover JB, Sornette D (2007) ‘Illusion of control’ in Time-Horizon Minority and Parrondo Games. EUR. Phys. J. B 60: 369–384. 12. Satinover JB, Sornette D (2009) Illusory versus Genuine Control in Agent-Based Games. EUR. Phys. J. B. 67: 357–367. 13. Gilles D, Sornette D, Woehrmann P (2009) Look-Ahead Benchmark Bias in Portfolio Performance Evaluation. Journal of Portfolio Management 36(1): 121–130. 14. Farmer JD, Patelli P, Zovko II (2005) The predictive power of zero intelligence in financial markets, PNAS. 102: 2254–2259. 15. Taleb NN (2005) Fooled by Randomness: The Hidden Role of Chance in the Markets and in Life. New York: Random House. 16. Taleb NN (2007) The Black Swan: The Impact of the Highly Improbable. New York: Random House. 17. Biondo AE, Pluchino A, Rapisarda A (2013) The Beneficial Role of Random Strategies in Social and Financial Systems. Journal of Statistical Physics 151: 607–622 doi: 10.1007/s10955-013-0691-2. 18. Wiseman R (2007) Quirkology. London: Macmillan. 19. Porter GE (2004) The long term value of analysts advice in the Wall Street Journals investment dartboard contest. J. Appl. Finance 14: 720. 20. Simon HA (1957) Models of Man. New York: Wiley. 21. Friedman M (1956) A Theory of the Consumption Function. Princeton, NJ: Princeton University Press. 22. Friedman M (1968) The Role of Monetary Policy. The American Economic Review 58(1): 1–17. 23. Phelps E (1967) Phillips Curve Expectations of Ination, and Output Unemployment Over Time. Economica 34(135): 254–281. 24. Cagan P (1956) The Monetary Dynamics of Hyperination. In Friedman M, editor. Studies in the Quantity Theory of Money. Chicago: University of Chicago Press. 25. Arrow KJ, Nerlove M (1958) A Note on Expectations and Stability. Econometrica 26: 297–305. 26. Muth JF (1961) Rational Expectation and the Theory of Price Movements. Econometrica 29: 315–335. 27. Lucas RE (1972) Expectations and the Neutrality of Money. Journal of Economic Theory 4: 103–124. 28. Sargent TJ, Wallace N (1975) Rational Expectations, the Optimal Monetary Instrument, and the Optimal Money Supply Rule. Journal of Political Economy 83(2): 241–254. 29. Fama EF (1970) Efficient Capital Markets: a Review of Theory and Empirical Work. Journal of Finance 25: 383–423. 30. Jensen M (1978) Some anomalous evidence regarding market efficiency. Journal of Financial Economics 6: 95–101. 31. Malkiel B (1992) Efficient market hypothesis. New Palgrave Dictionary of Money and Finance. London: Macmillan. 32. Keynes JM (1936) The General Theory of Unemployment, Interest, and Money. London: Macmillan. 157 p. 33. Cutler DM, Poterba JM, Summers LH (1989) What moves stock prices? Journal of Portfolio Management 15(3): 4–12. 34. Engle R (1982) Autoregressive conditional heteroscedasticity with estimates of the variance of UK ination, Econometrica. 50: 987–1008. 35. Mandelbrot BB (1963) The variation of certain speculative prices. Journal of Business 36: 394–419. 36. Mandelbrot BB (1997) Fractals and Scaling in Finance. New York: Springer. 37. Lux T (1996) The stable Paretian hypothesis and the frequency of large returns: an examination of major German stocks. Applied Financial Economics 6: 463–475. 38. Mantegna RN, Stanley HE (1996) Introduction to Econophysics: Correlations and Complexity in Finance. Cambridge: Cambridge University Press. 39. Campbell JY, Shiller R (1998) The Dividend-Price Ratio and Expectations of Future Dividends and Discount Factors. Review of Financial Studies 1: 195–227. 40. Brock WA (1993) Pathways to Randomness in the Economy: Emergent Non-Linearity and Chaos in Economics and Finance. Estudios Económicos 8: 3–55. 41. Brock WA (1997) Asset Prices Behavior in Complex Environments. In: Arthur WB, Durlauf SN, Lane DA, editors. The Economy as an Evolving Complex System II. Reading, MA: Addison-Wesley. 385–423 p. 42. Brock WA, Hommes CH (1997) A Rational Route to Randomness. Econometrica 65: 1059–1095. 43. Chiarella C (1992) The Dinamics of Speculative Behavior. Annals of Operations Research 37: 101–123. 44. Chiarella C, He T (2002) Heterogeneous Beliefs, Risk and Learning in a Simple Asset Pricing Model. Computational Economics - Special issue: Evolutionary processes in economics 19(1): 95–132. 45. DeGrauwe P, DeWachter H, Embrechts M, (1993) Exchange Rate Theory. Chaotic Models of Foreign Exchange Markets. Blackwell. 46. Frankel JA, Froot KA (1988) Chartists, Fundamentalists and the Demand for Dollars. Greek Economic Review 10: 49–102. 47. Lux T (1995) Herd Behavior, Bubbles and Crashes. The Economic Journal 105: 881–896. 48. Wang J (1994) A Model of Competitive Stock Trading Volume. Journal of Political Economy 102: 127–168. 49. Zeeman EC (1974) The Unstable Behavior of Stock Exchange. Journal of Mathematical Economics 1: 39–49. 50. Black F, Scholes M (1973) The Valuation of Options and Corporate Liabilities, Journal of Political Economy. 81: 637–654. 51. Merton RC (1973) Theory of Rational Option Pricing. Bell Journal of Economics and Management Science 4: 141–183. 52. Cox JC, Ingersoll JE, Ross SA (1985) A Theory of the Term Structure of Interest Rates, Econometrica. 53: 385–408. 53. Hull JC, White A (1987) The Pricing of Options on Assets with Stochastic Volatilities. Journal of Finance 42: 281–300. 54. Gabaix X, Gopikrishnan P, Plerou V, Stanley HE (2003) A theory of power-law distributions in financial market uctuations. Nature 423: 267–72. 55. Livan G, Inoue J, Scalas E (2012) On the non-stationarity of financial time series: impact on optimal portfolio selection. Journal of Statistical Mechanics. doi:10.1088/1742-5468/2012/07/P07025. 56. Carbone A, Castelli G, Stanley HE (2004) Time dependent Hurst exponent in financial time series. Physica A 344: 267–271. 57. Murphy JJ (1999) Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. Instituto de Finanças de Nova York. 58. Krawiecki A, Holyst JA, Helbing D (2002) Volatility clustering and scaling for financial time series due to attractor bubbling. Physical Review Letters 89, 158701. 59. Helbing D, Christen M (2011) Physics for Financial Markets. Available: tinyurl/d3j5bgs. 60. Tedeschi G, Iori G, Gallegati M (2012) Herding effects in order driven markets: The rise and fall of gurus. Journal of Economic Behavior & Organization 81: 82–96 doi:10.1016/j. jebo.2011.09.006.
PLOS is a nonprofit 501(c)(3) corporation, #C2354500, and is based in San Francisco, California, US.

Random index trading strategy

A nova alta taxa de novo baixo é um indicador técnico que é muito simples. Mede o número de negociação de valores mobiliários na Bolsa de Valores de Nova York (.
Como Day Trade Usando a Praça Gann.
Os conceitos de negociação usados ​​por William Delbert Gann ou W. D. Gann como ele é carinhosamente chamado é um nome nos mercados financeiros que instantaneamente traz int.
Por que os indicadores técnicos falham?
Falsos sinais com indicadores técnicos Nós discutimos muitos indicadores técnicos no blog da Tradingsim. Nós passamos por muitos sinais de negociação.
Como usar a curva de Coppock com outros indicadores.
Coppock Curve Edwin Sedge Coppock, um economista de profissão, desenvolveu a Curva de Coppock em 1965, que é um indicador de momento para identificar a longo prazo.
5 Estratégias de Negociação Rentáveis ​​Usando o MACD.
Você é um comerciante de indicadores? Se sim, então você vai gostar de ler sobre uma das ferramentas de negociação mais utilizadas - a convergência média móvel di.
Indicador de Jacaré versus o triplo EMA.
Se você é um fã de negociação com médias móveis e não está familiarizado com o indicador de jacaré, prepare-se para uma surpresa agradável. Neste artigo, .
5 Estratégias de Negociação Usando o Índice de Vigor Relativo.
Qual é o índice de vigor relativo? O Relative Vigor Index (RVI ou RVGI) é um indicador técnico que antecipa mudanças nas tendências do mercado. Muitos .
5 maneiras que o índice da força verdadeira o mantem em comércios ganhando.
O True Strength Index (TSI) é um indicador técnico desenvolvido por William Blau no início dos anos 90. Embora existam muitos aplicativos para.
TRIX - Oscilador de Momento Padrão ou Algo Mais?
Qual é o indicador TRIX? O indicador TRIX é um oscilador de momentum, que ajuda os operadores identificando tendências de mercado e reversão de preços. º.
3 Indicadores de Negociação para Combinar com o Oscilador Klinger.
O que é o oscilador de volume Klinger? O Klinger Volume Oscillator (KVO ou KO) é um indicador baseado em volume, que auxilia os operadores a identificar um longo período.
7 Razões Day Traders Love the VWAP.
Aprenda como negociar no dia com o VWAP - Vídeo Antes de mergulharmos nas 7 razões pelas quais os investidores adoram o VWAP, vamos primeiro dar uma olhada neste curto.
Truques que você pode usar com sucesso Day Trade com o indicador Williams R%.
Se você está interessado em negociações de curto prazo, como o day trading baseado em análises técnicas, então você provavelmente teria ouvido falar do Williams% R.
Indicador de facilidade de movimento (EMV) - A melhor maneira de interpretar a ação do preço.
Qual é o indicador de facilidade de movimento? A facilidade de movimento (EMV) é um oscilador, que analisa a relação entre preço e volume de negociação.
4 dicas para como negociar ETFs alavancados com o índice de movimento direcional.
Assim como os fundos negociados em bolsa regulares, um ETF alavancado pode fazer com que você fique exposto a um determinado setor, mas, como o nome sugere, ele usa uma alavanca embutida.
4 maneiras simples de negociar com a média móvel ponderada por volume (VWMA)
Como afirmado em seu nome, a média móvel ponderada por volume (VWMA) é semelhante à média móvel simples; no entanto, a VWMA coloca mais ênfase no th.
Ichimoku Cloud Breakout Trading Strategy - não é tão complicado quanto parece.
Qual é a nuvem Ichimoku? O Ichimoku Cloud, também conhecido como Ichimoku Kino Hyo é um indicador técnico, que consiste em cinco médias móveis e um.
Como Day Trade com o Índice de Força do Ancião.
Visão Geral do Índice de Força do Ancião (EFI) Você nunca pode chamar Alexander Elder de um sujeito humilde, pois ele decidiu que o melhor nome para seu indicador seria esse.
Indicador de volume líquido - devemos nos importar?
Eu freqüentemente realizo pesquisas sobre indicadores técnicos e para ser honesto, o volume líquido nunca atingiu meu interesse. Portanto, decidi e.
Como negociar usando o Indicador de índice de suavidade.
Todos nós não gostaríamos de saber quando uma ação está tendendo e quando ela está em um terreno plano? Feche os olhos por um segundo e imagine um mundo onde você.
5 Exemplos de canais Keltner versus bandas de Bollinger.
Eu sou um autoproclamado fanático por ATR, mas ainda não explorei os Canais Keltner. O canal Keltner é um indicador de atraso no gráfico que usa uma combinação.
Top 4 Awesome Oscillator Day Trading Estratégias.
Eu não sei sobre você, mas o que Bill Williams estava pensando quando ele inventou o nome de incrível oscilador? Com nomes flutuando como complexos.
4 estratégias para como usar o oscilador de volume.
Os fãs do blog Tradingsim sabem que eu sou grande em volume. O volume é provavelmente um dos mais antigos indicadores técnicos do gráfico que você encontrará no techn.
Como usar o indicador Average True Range.
alton-hill-jr. wistia / medias / 09wm0pdl5s? embedType = seo & videoFoam = true & amp; videoWidth = 640 Destaques da história A média do alcance verdadeiro (ATR) .
Como negociar com o índice de fluxo de dinheiro.
Se você tem negociado o dia com ação de preço e volume - duas de nossas ferramentas favoritas - então o indicador Money Flow Index (MFI) não se sentiria alienígena.
Tick ​​Volume - Indicador de Análise Técnica.
Definição do Volume do Carrapato O volume do carretel está medindo cada troca, seja para cima ou para baixo, e o volume que acompanha essas negociações durante um determinado período de tempo. EU.
Como Day Trade com o Índice de Canal de Commodity (CCI)
Definição de Índice de Canal de Commodity O índice de canal de mercadoria (CCI) é um oscilador usado para identificar tendências cíclicas em uma segurança. Ganhou seu na.
Como negociar com o índice de Tick - 2 estratégias simples.
Muitos dos indicadores técnicos discutidos no blog da Tradingsim tratam da avaliação de uma determinada ação ou ETF. No entanto, neste artigo vamos cove.
Glossário de Termos de Análise Técnica.
Análise técnica é um meio de ser seguro como um comerciante no mercado de ações. Ele fornece a disciplina sobre como ser capaz de prever o movimento em pri.
3 Estratégias de Negociação de Oscilador de Preço Simples.
Definição do oscilador de preço O oscilador de preço exibe a diferença de duas médias móveis em pontos ou em porcentagens. Isso é técnico.
Índice de Caminhada Aleatória - Indicador de Análise Técnica.
Definição do índice de marcha aleatória O índice de marcha aleatória (RWI) é um indicador técnico que tenta determinar se o movimento do preço de uma ação é aleatório ou.
3 maneiras de usar uma média móvel deslocada (DMA) além de sua estratégia de negociação.
O que é uma média móvel deslocada? Como você deve ter notado, o nome “média móvel deslocada” contém praticamente a resposta a essa pergunta.
4 estratégias de negociação de volume simples.
Por que o volume é importante? A análise de volume é a técnica de avaliar a saúde de uma tendência, baseada na atividade volumétrica. O volume é um dos ol.
Indicadores amplos de mercado para day trading.
Indicadores de Negociação Diurna A negociação diária em qualquer cronograma requer o conhecimento de como o mercado geral está se comportando. Você quer ter certeza disso.
Por que os comerciantes profissionais preferem usar a média móvel exponencial.
A análise técnica se resume a prever o movimento direcional futuro estudando o comportamento do mercado passado e você provavelmente não encontraria uma melhor wa.
Como usar as linhas de tendência com o padrão Elliott Wave.
Linhas de tendência Definição As linhas de tendência são um dos indicadores técnicos mais antigos. Linhas de tendência são usadas para identificar e confirmar tendências de preços existentes. O.
4 Estratégias Simples de Negociação Slow Stochastics.
Definição Estocástica Lenta O indicador estocástico lento é um oscilador de preço que compara o preço de fechamento de um título sobre o intervalo "n". O mais commo.
2 Estratégias Simples de Negociação de Fibonacci.
0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377 ... esses números parecem familiares para você? Não é verdade, certo? Se não, então você definitivamente precisa de t.
Trade Volume Index (TVI) - Indicador Técnico.
Definição do Índice de Volume de Negociação O índice de volume de negociação (TVI) detecta se um título está sendo comprado ou vendido com base nos dados do tick. A TVI fornece.
Melhores Indicadores da Carta de Negociação Diária.
alton-hill-jr. wistia / medias / q2frsq0p02? embedType = assíncrono & videoFoam = true & videoWidth = 640 Quando você está apenas começando a dar pequenos passos i.
Cotações de Nível II - Ferramenta Principal para Traders Ativos.
Cotações de Nível II A janela de cotação de Nível II fornece os dados para pedidos pendentes no mercado. Exibe o tamanho do melhor lance e ofertas com o.
5 Reasons Tick Charts Complicar Negociação.
A maioria dos day traders tem um relacionamento de amor ou ódio com gráficos de ticks. Ou seja, você não pode negociar sem os dados do tick, ou você absolutamente despreza.
Leitura de fita (hora e janela de vendas)
Lendo a fita é um dos indicadores essenciais quando negociação ativa. Muitos comerciantes sabem sobre as centenas de indicadores prontamente disponíveis em mos.
Random Walk Index – Indicador de Análise Técnica.
3 estratégias simples para como usar a nova alta / baixa taxa quando dia de negociação.
Como Day Trade Usando a Praça Gann.
Por que os indicadores técnicos falham?
Como usar a curva de Coppock com outros indicadores.
5 Estratégias de Negociação Rentáveis ​​Usando o MACD.
Indicador de Jacaré versus o triplo EMA.
5 Estratégias de Negociação Usando o Índice de Vigor Relativo.
5 maneiras que o índice da força verdadeira o mantem em comércios ganhando.
TRIX - Oscilador de Momento Padrão ou Algo Mais?
3 Indicadores de Negociação para Combinar com o Oscilador Klinger.
7 Razões Day Traders Love the VWAP.
Truques que você pode usar com sucesso Day Trade com o indicador Williams R%.
Indicador de facilidade de movimento (EMV) - A melhor maneira de interpretar a ação do preço.
4 dicas para como negociar ETFs alavancados com o índice de movimento direcional.
4 maneiras simples de negociar com a média móvel ponderada por volume (VWMA)
Ichimoku Cloud Breakout Trading Strategy - não é tão complicado quanto parece.
Como Day Trade com o Índice de Força do Ancião.
Indicador de volume líquido - devemos nos importar?
Como negociar usando o Indicador de índice de suavidade.
5 Exemplos de canais Keltner versus bandas de Bollinger.
Top 4 Awesome Oscillator Day Trading Estratégias.
4 estratégias para como usar o oscilador de volume.
Como usar o indicador Average True Range.
Como negociar com o índice de fluxo de dinheiro.
Tick ​​Volume - Indicador de Análise Técnica.
Como Day Trade com o Índice de Canal de Commodity (CCI)
Como negociar com o índice de Tick - 2 estratégias simples.
Glossário de Termos de Análise Técnica.
3 Estratégias de Negociação de Oscilador de Preço Simples.
Índice de Caminhada Aleatória - Indicador de Análise Técnica.
3 maneiras de usar uma média móvel deslocada (DMA) além de sua estratégia de negociação.
4 estratégias de negociação de volume simples.
Indicadores amplos de mercado para day trading.
Por que os comerciantes profissionais preferem usar a média móvel exponencial.
Como usar as linhas de tendência com o padrão Elliott Wave.
4 Estratégias Simples de Negociação Slow Stochastics.
2 Estratégias Simples de Negociação de Fibonacci.
Trade Volume Index (TVI) - Indicador Técnico.
Melhores Indicadores da Carta de Negociação Diária.
Cotações de Nível II - Ferramenta Principal para Traders Ativos.
5 Reasons Tick Charts Complicar Negociação.
Leitura de fita (hora e janela de vendas)
Random Walk Index Definition.
The random walk index (RWI) is a technical indicator that attempts to determine if a stock's price movement is random or nature or a result of a statistically significant trend. The random walk index attempts to determine when the market is in a strong uptrend or downtrend by measuring price ranges over N and how it differs from what would be expected by a random walk (randomly going up or down). The greater the range suggests a stronger trend. The RWI states that the shortest distance between two points is a straight line and the further prices stray from a straight line, implies the market is choppy and random in nature.
Random Walk Index Formula.
The random walk index determines if a security is in an uptrend or downtrend. For each period the RWI is computed by calculating the maximum of the following values for high periods:
Aprenda a Day Trade the Right Way:: Veja como você pode aprender a negociar ações, futuros e bitcoins sem risco.
For each period the RWI is computed by calculating the maximum of the following values for low periods:
Trading with the Random Walk Index.
Michael Poulos the creator of the RWI, discovered during his research that it was best optimized for 2 to 7 periods for short-term trading and 8 to 64 periods for long-term trading. Readings of the long-term RWI of highs that exceed 1 provides a good indication of a sustainable uptrend. Conversely, a long-term RWI of lows above 1 provide a good indication of a sustainable downtrend. Poulous realized that by combining the short-term RWI with the long-term RWI in a trading system, it could provide accurate buy and sell points. Below are some rules developed by Poulos for trading stocks and futures with his RWI:
Enter a long (or close short) when the long-term RWI of the highs is greater than 1 and the short-term RWI of lows peaks above 1 Enter short (or close long) when the long-term RWI of the lows is greater than 1 and the short-term RWI of highs peaks above 1.

The Essentials of Trading.
Information and resources to learn about trading and the markets.
Looking at Random Trading.
Every once in a while, the topic of random trading comes up. Normally, it’s part of a discussion about whether you could go long or short based on a coin toss and trade profitably because of a good exit and money management strategy. Let’s take a look and see if there’s any truth to that assertion by running some tests on EUR/USD daily data going back to when the euro was launched in 1999.
As a base line, I’m going to start with a totally random system – one which uses a coin toss to get into a trade and a coin toss as to whether to exit an existing position. As regras são muito simples. Start with the coin toss to figure out long/short at the end of the first day’s trading. At the end of Day 2, we do a coin toss to see if we’re going to stay in the position we put on Day 1, or close it out. If we stay, we do the coin toss again the next day. If we exit, we start the process over at the end of that next day (so if we exit on Day 2, we do a coin toss as to whether to get long or short at the end of Day 3).
I ran 1000 tests on the data set to get enough information to make a reasonable conclusion. The results were pretty predictable. On average, the test resulted in a 26 pip loss, which is basically the same as being flat over more than 10 years of data. The standard deviation was 3668 pips, giving you an idea of how wide the distribution of results was over the 1000 test sample.
The totally random system didn’t cut it, so let’s look at a random entry system that has a non-random set of rules for exit. I used the same coin toss entry as noted above, but for the exit I tested a reverse break approach. Specifically, the rule was that longs would be exited if the current day’s close was lower than the close from N days prior, and shorts would be exited on a close higher than the one from N days prior. I tested a range of look-back periods of 1 to 10 days. Here’s what it produced.
What the chart shows is the average result (the tick on the bar) and the range containing results one standard deviation above and below the average. So in the first bar we’re looking at an exit strategy which says get out of a position if today’s close is lower/higher (if we’re long/short) than yesterday’s. The average outcome was a loss of 3602 pips, with a standard deviation of 1846 pips. That means the 1-day test was a losing one in all or nearly all cases, and by a pretty sizable amount, generally speaking.
It is clear from this data that a random entry system can be profitable, though. We need look no further than the middle of the chart to see the performance of the longer look-back periods. The 6-day look-back provided the best result with a 5446 pip average gain and a 1236 pip standard deviation. Eyeballing the 1000 sample test results, I don’t see any negatives among them.
Maybe we’re looking at things backwards.
Looking at these numbers, it’s hard not to think that maybe traders need to look at things the opposite way around from how they usually do – to think about exit first, rather than the entry. OK, I’m not really suggesting that we all just start trading random entry systems, but it certainly does provide fodder for further testing and analysis. We can use random entries to test the performance of different exit strategies. One caveat there, though. You have to make sure when you do something like that that you’re getting the same entries for each different exit approach, otherwise the results won’t be comparable.

Случайные Index Walk – Индикатор для MetaTrader 5.
Индикатор Random Walk Index используется в ситуациях, когда необходимо определить, является ли инструмент рынка в развивающейся тенденции или выполняет случайное движение в торговом диапазоне.
Этот индикатор пытается сделать это, определив торговый диапазон на рынке инструмента первым. Следующим шагом является вычисление ряда индексов RWI в течение максимум анализируемого периода. Наибольшее движение индекса по отношению к RW используется в качестве текущего индекса. Рынок развивается восходящий тренд, если ИРВ максимумов > 1, в то время как нисходящий тренд, когда ИРЖИ от минимумов > 1
Этот показатель впервые был реализован на MQL4 и опубликован в CodeBase на 21.12.2006.
MT5 индикаторы & # 8211; Инструкции по загрузке.
Случайные Index Walk – Индикатор для MetaTrader 5 является Metatrader 5 (MT5) Индикатор и суть форекс-индикатора заключается в преобразовании накопленных данных истории.
Случайные Index Walk – Индикатор для MetaTrader 5 предусматривает возможность обнаруживать различные особенности и закономерности в динамике цен, которые не видны невооруженным глазом.
На основании этой информации, трейдеры могут предполагать дальнейшее движение цены и скорректировать свою стратегию соответственно.
Forex Metatrader 5 Торговая платформа:
Свободно $ 30 Adicionar à Mesa de Luz Adicionar à Lista de Luz Adicionar aos Favoritos Desculpe, este app não pode ser enviado com a undefined!
Как установить Random Walk Index – Индикатор для MetaTrader 5.mq5?
Скачать Random Walk Index – Индикатор для MetaTrader 5.mq5 Копирование Random Walk Index – Индикатор для MetaTrader 5.mq5 вашего MetaTrader 5 каталог / эксперты / показатели / Запуск или перезагрузить MetaTrader 5 клиент Выберите Диаграмма и Временной интервал, где вы хотите, чтобы проверить ваш индикатор MT5 Поиск & # 8220; Пользовательские индикаторы & # 8221; в вашем навигаторе основном осталось в Metatrader 5 клиент Щелкните правой кнопкой мыши на Random Walk Index – Индикатор для MetaTrader 5.mq5 Присоединить к графику Изменить настройки или нажмите кнопку ОК Индикатор Random Walk Index – Индикатор для MetaTrader 5.mq4 Para mais informações, acesse este link.
Как удалить Random Walk Index – Индикатор для MetaTrader 5.mq5 de вашего Metatrader 5 Диаграмма?
Выберите таблицу, где индикатор работает в вальма Metatrader 5 клиент Щелкните правой кнопкой мыши на график & # 8220; список индикаторов & # 8221; Выберите индикатор и удалить.

Alfa Preditiva.
Using scientific methods to illuminate alpha sources.
Towards a better equity benchmark: random portfolios.
Random portfolios deliver alpha relative to a buy-and-hold position in the S&P 500 index – even after allowing for trading costs. Random portfolios will serve as our benchmark for our future quantitative equity models.
The evaluation of quantitative equity portfolios typically involves a comparison with a relevant benchmark, routinely a broad index such as the S&P 500 index. This is an easy and straightforward approach, but also – we believe – sets the bar too low resulting in too many favorable research outcomes. However, we want to hold ourselves to a higher standard and as a bare minimum that must include being able to beat a random portfolio – the classic dart-throwing monkey portfolio.
A market capitalization-weighted index, such as the S&P 500 index, is inherently a size-based portfolio where those equities which have done well in the long run are given the highest weight. It is, in other words, dominated by equities with long-run momentum. Given that an index is nothing more than a size-based trading strategy, we should ask ourselves whether there exist other simple strategies that perform better. The answer to this is in the affirmative and one such strategy is to generate a portfolio purely from chance. Such a strategy will choose, say, 20 equities among the constituents of an index each month and invest an equal amount in each position. After a month the process is repeated, 20 new equities are randomly picked, and so forth.
The fact that random portfolios outperform their corresponding indices is nothing new. David Winton Harding, the founder of the hedge fund Winton Capital, even went on CNBC last year to explain the concept, but he is far from only in highlighting the out-performance of random portfolios (e. g. here and here).
To demonstrate the idea we have carried out the research ourselves. We use the S&P 500 index – without survival bias and accounting for corporate actions such as dividends – and focus on the period from January 2000 to November 2015. We limit ourselves in this post to this time span as it mostly covers the digitization period, but results from January 1990 show similar results. Starting on 31 December 1999 we randomly select X equities from the list of S&P 500 constituents that particular month, assign equal weights, and hold this portfolio in January 2000. We then repeat the process on the final day of January and hold in February and every subsequent month until November 2015.
In the chart above the annualized returns for 1000 portfolios containing 10, 20, and 50 equities are depicted (the orange line represents the S&P 500 index). A few things are readily apparent:
The mean of the annualized returns is practically unchanged across portfolio sizes The standard deviation of the annualized returns narrows as the portfolio size increases All three portfolio sizes beat the S&P 500 index 6.5% of the 1000 random portfolios of size 10 have an annualized return which is lower than that of the S&P 500 index (4.2%). Of the portfolios with sizes 20 and 50 the percentages are 0.9% and 0%, respectively. In other words, not a single of the 1000 random portfolios of size 50 delivers a annualized return below 4.2%.
So far we have talked one or many random portfolios without being too specific, but for random portfolios to work we need a large number of samples (i. e. portfolios) so that performance statistics, such as the annualized return, tend toward stable values. The chart below shows the cumulative mean over the number of random portfolios (size = 10), which stabilizes as the number of random portfolios increases (the orange line represents the mean across all 1000 portfolios).
All three portfolios beat the S&P 500 index in terms of annualized return, but we must keep in mind that these portfolios’ turnovers are high and hence we need to allow for trading costs. The analysis is thus repeated below for 1000 random portfolios with 50 positions with trade costs of 0%, 0.1% and 0.2% (round trip).
Unsurprisingly the mean annualized return declines as trading costs increase. Whereas not a single of the 1000 random portfolios of size 50 delivered an annualized return below 4.2% without trade costs , 2 and 40 portfolios have lower returns when trade costs of 0.1% and 0.2%, respectively, are added. Put differently, even with trade costs of 0.2% (round trip) every month a portfolio of 50 random stocks outperformed the S&P 500 index in terms of annualized return in 960 of 1000 instances.
Weighing by size is simple, and we like simple. But when it comes to equity portfolios we demand more. Put differently, if our upcoming quantitative equity portfolios cannot beat a randomly-generated portfolio what is the point? Therefore, going forward, we will refrain from using the S&P 500 index or any other appropriate index and instead compare our equity models to the results presented above. We want to beat not only the index, we want to beat random. We want to beat the dart-throwing monkey!
ADDENDUM: A couple of comments noted that we must use an an equal weight index to be consistent with the random portfolio approach. This can, for example, be achieved by investing in the Guggenheim S&P 500 Equal Weight ETF, which has yielded 9.6% annualized since inception in April, 2003 (with an expense ratio of 0.4%). The ETF has delivered a higher annualized return than that of the random portfolios (mean) when trading costs are added.
In other words, if you want to invest invest equally in the S&P 500 constituents, there is an easy way to do it. We will continue to use random portfolios as a benchmark as it is a simple approach, which our models must beat and we can choose the starting date as we please.
Compartilhar isso:
Pós-navegação.
20 pensamentos sobre & ldquo; Towards a better equity benchmark: random portfolios ”
Interesting idea! I can see this type of benchmark being useful in disproving the value of a strategy that selects stocks from a universe if you then generated the random portfolios from the same universe (e. g., strategy is worse or no better than a random selection from the universe). I realize you weren’t concerned with why the random portfolios outperformed the index, but do you think any of it could be explained by equal vs. market cap weighting? Did you try any market cap weighted random portfolios or comparing the portfolios to the equally weighted index?
The equal vs. market cap weighting is key as the addendum to the blog post explains. This is to say, the Guggenheim S&P 500 Equal Weight ETF has delivered a higher return since inception in 2003 – also risk-adjusted. Obrigado pelo seu comentário.
You need to use equal weighted version or S&P 500 as benchmark, to be consistent with random portfolios. Ou seja each random portfolio equally weights its constituents.
Hi Investor Curious,
Você está certo. An equal weight S&P index beats not only the standard S&P 500 index, but also random portfolios. We have updated to blog post to reflect this. Obrigado pelo seu comentário.
Thank you both for your comments, Adam and Investor Curious. The comments about (an) equal weights (index) are definitely valid and we will have a look at it in an upcoming blog post.
EDIT: Instead of a new blog post, we have added a bit to this one.
What happens if you reshuffle weekly or daily instead of monthly? I realize costs will go up but still interested.
Obrigado pelo seu comentário. We haven’t looked at daily rebalancing, but using weekly instead of monthly rebalancing results in annualized returns of 8.8%, 3.3% and -2% with trading costs of 0%, 0.1% and 0.2% respectively (portfolio size of 50).
The Sharpe ratios (with risk free rate at 0%) are 0.37, 0.14 and -0.08 respectively. The Sharpe ratios (SR) for the monthly model are higher due to both lower volatility and lower costs. Even with no trading costs the SR is 0.43 for the monthly model and 0.37 for the weekly model (though that is not a statistically significant difference).
Thanks for sharing your research, Mr Beta. I am also of the opinion that random portfolios can be a useful benchmark in evaluating strategy performance. If you or your readers are interested, I explored this idea by generating random trades that mimic the trade frequency and holding period of the strategy being evaluated and applied it to a foreign exchange strategy. The concept could equally be applied to an equities portfolio: robotwealth/benchmarking-backtest-results-against-random-strategies/
It is a great paper, Andrew W. Lo, Harry Mamaysky, and Jiang Wang (2000), you are referring to in your blog post. These statistical tests are absolutely essentiel in order not to be fooled by randomness. Everytime you backtest a strategy you only have one sample based on the historical dataset which creates a lot of statistical issues.
We will publish a blog post soon showcasing an equity factor model based on four known equity factors. In our backtest, we benchmark the strategy against 200 bootstrapped portfolios (resampling of selection universe).
In a short follow-up post we will discuss and highlight why bootstrapping is absolutely essential. If someone came to us with a strategy and it was not benchmarked against bootstrapped strategies then we would reject the strategy in a split second.
Random portfolios (or rules) can be used to validate backtested strategies but I think you have to consider how the benchmark is being used. Portfolio construction and performance attribution have different requirements than statistical validation of a backtest.
In the majority of situations, a market-weight benchmark is the only logical choice because they can be simultaneously held by every investor and require no rebalancing (in theory).
I’m not even sure I’m comfortable calling bootstrap samples a “benchmark” since that isn’t really the intention.
Obrigado por seu comentário. I interpret your comment as partly a comment to my answer and partly the overall post.
Let me start with your last statement, which I think refers to my comment. I can see now, that I may have been imprecise in my comment. What we do, and will be explained in the upcoming post, is to bootstrap our four-factor equity model 200 times creating a good approximation of the underlying distribution af portfolio returns. This distribution is then compared against 200 random portfolios. If our strategy’s distribution is significantly different from the random distribution then we are closer to a strategy ready for production.
Your comment about benchmarks are valid to some degree. The industry adopted definition of a benchmark is…
& # 8211; Specified in advance: The benchmark is specified prior to the start of the evaluation period.
& # 8211; Appropriate: The benchmark is consistent with the manager’s investment style or area of expertise.
& # 8211; Measurable: The benchmark’s return is readily calculable on a reasonably frequent basis.
& # 8211; Unambiguous: The identities and weights of securities are clearly defined.
& # 8211; Reflective of current investment opinions: The manager has current knowledge of the securities in.
& # 8211; Accountable: The manager is aware and accepts accountability for the constituents and.
performance of the benchmark.
& # 8211; Investable: It is possible to simply hold the benchmark.
Managing investment portfolios: A dynamic process (CFA institute investment Series), Third edition, John L. Maginn, Donald L. Tuttle, Jerald E. Pinto, Dennis W. McLeavey.
In that regard you are right that S&P 500 is a better benchmark than random portfolios.
However, I would add, that this is only correct for a long-only equity manager with a large set of securities overlapping with the benchmark or a portfolio with an investment policy statement containing many constraint about tracking error, active weights etc.
If you are a small fund with almost no restrictions and have a concentrated approach (maybe only 20 stocks in the portfolio) then I would argue random portfolio is a better benchmark, because it is closer in nature to the underlying strategy.
Lastly, we know that random beats S&P 500 so if your portfolio significantly beats random you are definitely home safe against S&P 500.
Interesting article. My english and statistical knowledge is unfortunatly not very profound. I hope you understand my question.
Did you regress your results to the fama french factors? Could the better returns of random and equal weighting strategies be contributed to the small cap , value, momentum or investment factors?
There are many smart people arround who do not favour equal weighting and as mentioned the aggregate of all investors can not equal weighting.
How would a random cap weighted strategy perform?
Thank you for your answers.
Regards from Switzerland.
You said in one of the comments that you looked at weekly rebalancing but what about only annual rebalancing. Your strategy would be very tax inefficient in taxable accounts and an annual rebalance could solve that. Could you show annual results so investors could see if this was a case of a few great years or consistent out performance.
Obrigado pelo seu comentário.
Using end-of-year rebalancing the portfolios have delivered annualized returns of 7.5%, 7.6%, and 7.8% for portfolio sizes 10, 20, and 50, assuming round-trip trading costs of 0.2% for the period 2000-2015. This compares with 3.8% for the index in the same period.
Annualized volatilities are higher than when using monthly rebalancing at 24.8%, 23.6%, and 22.9% respectively.