Zeitreihen Trading Strategien

Zeitreihe Momentum Wirkung Traditionelle Querschnittsdynamik ist eine beliebte und sehr gut dokumentierte Anomalie. Traditionelle Dynamik nutzt ein Universum von Vermögenswerten zu holen Vergangenheit Gewinner, und es prognostiziert, dass diese Gewinner weiter zu ihren Altersgenossen in der Zukunft als gut. Neue akademische Forschung zeigt jedoch, dass wir nicht das gesamte Universum von Vermögenswerten brauchen, um den Impulseffekt auszuschöpfen. Eine neue Version dieser Anomalie (Time Series Momentum) zeigt, dass jede Sicherheit (oder asset39s) eigene Vergangenheit Rückkehr ist ein zukünftiger Prädiktor. Die vergangene 12-Monats-Überschussrendite jedes Instruments ist ein positiver Prädiktor für die zukünftige Rendite. Ein diversifiziertes Portfolio von Zeitreihenimpulsen über alle Vermögenswerte ist bemerkenswert stabil und robust, was ein hohes Sharpe-Verhältnis mit wenig Korrelation zu passiven Benchmarks ergibt. Ein zusätzlicher Vorteil ist, dass Zeitreihen-Momentum-Renditen scheinen, am größten zu sein, wenn die Rendite des Aktienmarkts am extremsten ist, kann Zeitreihen-Momentum eine Absicherung für Extremereignisse sein. Grundlegender Grund Akademische Forschung besagt, dass der Zeitreihen-Momentum-Effekt im Einklang steht mit Verhaltenstheorien der Investoren39 erste Unterreaktion und verzögerte Überreaktion bei der Informationsverbreitung angewendet. Aktien, Anleihen, Rohstoffe, Währungen Einfache Handelsstrategie Das Anlageuniversum besteht aus 24 Warentermingeschäften, 12 Währungspaaren (mit 9 zugrunde liegenden Währungen), 9 entwickelten Aktienindizes und 13 erworbenen Staatsanleihen-Futures. Jeden Monat überlegt der Anleger, ob die überschüssige Rendite eines jeden Vermögenswertes in den letzten 12 Monaten positiv oder negativ ist und verlängert sich auf den Vertrag, wenn er positiv und kurz, wenn negativ ist. Die Positionsgröße ist umgekehrt proportional zur Volatilität der Instrumente. Ein univariates GARCH-Modell wird verwendet, um die Ex-ante-Volatilität im Quellenpapier zu schätzen. Allerdings könnten andere einfache Modelle leicht mit guten Ergebnissen verwendet werden (zum Beispiel würde der einfachste eine historische Volatilität anstelle der geschätzten Volatilität verwenden). Das Portfolio wird monatlich neu ausgeglichen. Quelle: Moskowitz, Ooi, Pedersen: Zeitreihe Momentum pages. stern. nyu. edu lpedersepapersTimeSeriesMomentum. pdf Zusammenfassung: Wir dokumentieren signifikante Zeitreihenimpulse in Aktienindex-, Währungs-, Rohstoff - und Anleihe-Futures für jedes der 58 flüssigen Instrumente, die wir betrachten. Wir finden Beharrlichkeit in Renditen für 1 bis 12 Monate, die teilweise über längere Horizonte kehrt, im Einklang mit Sentimentalitätstheorien der anfänglichen Unterreaktion und verzögerten Überreaktion. Ein diversifiziertes Portfolio von Zeitreihen-Impulsstrategien in allen Assetklassen liefert erhebliche anormale Renditen mit geringem Engagement gegenüber Standard-Asset-Preisfaktoren und führt am besten zu extremen Märkten. Wir zeigen, dass die Rückkehr zur Zeitreihen-Dynamik eng mit den Handelsaktivitäten von Spekulanten und Hedgern verknüpft ist, wo Spekulanten davon scheinen, auf Kosten von Hedgern zu profitieren. Andere Papiere Baltas, Kosowski: Trend - und Momentum-Strategien in Futures-Märkten papers. ssrnsol3papers. cfmabstractid1968996 Kurzfassung: Der Aufbau einer Zeitreihen-Impulsstrategie beinhaltet die volatilitätsangepasste Aggregation von univariaten Strategien und setzt daher stark auf die Effizienz des Volatilitätsschätzers und Auf die Qualität des Impuls-Trading-Signals. Mit Hilfe eines Datensatzes mit Intra-Day-Anführungszeichen von 12 Futures-Kontrakten von November 1999 bis Oktober 2009 untersuchen wir diese Abhängigkeiten und deren Zusammenhänge mit der Zeitreihe der Momentum-Rentabilität und erreichen eine Reihe neuer Erkenntnisse. Erstens maximieren Impuls-Trading-Signale, die durch das Anpassen eines linearen Trends auf dem Asset-Preispfad erzeugt werden, die Out-of-Sample-Performance, während der Portfolioumsatz minimiert wird und somit das normale Momentum-Handelssignal in der Literatur dominiert. Zweitens zeigen die Ergebnisse starke Impulsmuster bei der monatlichen Frequenz des Rebalancing, relativ starke Impulsmuster bei der wöchentlichen Frequenz und relativ schwache Impulsmuster bei der täglichen Frequenz. In der Tat sind signifikante Umkehrwirkungen sehr kurzfristig dokumentiert. Im Hinblick auf die volatilitätsadjustierte Aggregation von univariaten Strategien stellt die Yang-Zhang-Bereichsschätzung die optimale Wahl für die Volatilitätsschätzung hinsichtlich der Maximierung der Effizienz und der Minimierung der Bias - und Ex-post-Portfolioumsätze dar. Baltas, Kosowski: Verbesserung der Zeitreihen-Impulsstrategien: Die Rolle von Handelssignalen und Volatilitätsschätzern papers. ssrnsol3papers. cfmabstractid2140091 Abstract: Der Aufbau einer Zeitreihen-Impulsstrategie beinhaltet die volatilitätsangepasste Aggregation von unisolierten Strategien Effizienz des Volatilitätsschätzers und der Qualität des Impulshandelsignals. Mit Hilfe eines Datensatzes mit Intra-Day-Zitaten von 12 Futures-Kontrakten von November 1999 bis Oktober 2009 untersuchen wir diese Abhängigkeiten und deren Beziehung zur Zeitreihen-Momentum-Rentabilität und erreichen eine Reihe neuer Erkenntnisse. Momentum-Handelssignale, die durch Anpassen eines linearen Trends auf dem Asset-Preispfad erzeugt werden, maximieren die Out-of-Sample-Leistung, während der Portfolioumsatz minimiert wird und somit das normale Momentum-Handelssignal in der Literatur dominiert, das Zeichen der vergangenen Rendite. Hinsichtlich der volatilitätsangepassten Aggregation von univariaten Strategien stellt der Yang-Zhang-Bereichsschätzer die optimale Wahl für die Volatilitätsschätzung im Hinblick auf die Maximierung der Effizienz und Minimierung der Bias - und Ex-post-Portfolioumsätze dar. Baltas, Kosowski: MOMENTSTRATEGIEN IN ZUKÜNFTIGEN MÄRKTEN UND TREND-FOLGENDEN FONDS workspace. imperial. ac. ukbusiness-schoolPublicRiskLabwp11.pdf Abstract: In dieser Arbeit untersuchen wir Zeitreihen-Momentum-Strategien in Futures-Märkten und ihre Beziehung zu Rohstoffhandelsberatern (CTAs) . Zunächst konstruieren wir eine der umfangreichsten Sätze von Zeitreihen-Momentum-Portfolios, indem wir bestehende Studien in drei Dimensionen erweitern: Zeitreihen (1974-2002), Querschnitt (71 Verträge) und Frequenzbereich (monatlich, wöchentlich, täglich) . Unsere timeeries Momentum-Strategien erreichen Sharpe-Ratios von über 1,20 und bieten aufgrund ihres gegenzyklischen Verhaltens wichtige Diversifikationsvorteile. Wir finden, dass monatliche, wöchentliche und tägliche Strategien eine geringe Kreuzkorrelation aufweisen, was darauf hinweist, dass sie unterschiedliche Rückkehrphänomene einfangen. Zweitens zeigen wir, dass CTAs Zeitreihen-Impulsstrategien folgen, indem sie zeigen, dass Zeitreihen-Impulsstrategien eine hohe Erklärungskraft in der Zeitreihe der CTA-Renditen aufweisen. Drittens, auf der Grundlage dieses Ergebnisses, untersuchen wir, ob es Kapazitätsengpässe in Zeitreihen-Impulsstrategien gibt, indem wir prädiktive Regressionen der Impulsstrategie-Performance auf verhaltene Kapitalströme in die CTA-Industrie ausführen. Im Einklang mit der Ansicht, dass Futures-Märkte relativ flüssig sind, finden wir keinen Beweis für Kapazitätsengpässe, und dieses Ergebnis ist robust gegenüber verschiedenen Anlageklassen. Unsere Ergebnisse haben wichtige Auswirkungen auf Hedge-Fonds-Studien und Investoren. Hurst, Ooi, Pedersen: Ein Jahrhundert der Beweise für den Trend - nach dem Investieren scribddoc110704069A-Century-of-Evidence-on-Trend-Following-AQR Abstract: Wir studieren die Performance der Trend-folgend Investitionen auf den globalen Märkten seit 1903, die Erweiterung der bestehenden Nachweis über 80 Jahre. Wir haben gezeigt, dass Trendfolgen starke positive Erträge erzielt hat und eine Korrelation zu traditionellen Assetklassen jedes Jahrzehnts für mehr als ein Jahrhundert realisiert hat. Wir analysieren zukunftsorientierte Erträge aus verschiedenen ökonomischen Umgebungen und unterstreichen die Diversifika - tionsvorteile, die die Strategie in Aktienbörsen geschafft hat. Schließlich evaluieren wir das aktuelle Umfeld für die Strategie im Rahmen dieser langfristigen Ergebnisse. Du Plesis, Hallerbach, Spreij: Entmystifizierende Dynamik: Zeitreihe und Querschnittsmomentum, Volatilität und Dispersion science. uva. nlonderwijsthesiscentraalfilesf233479199.pdf Abstract: Variationen mehrerer Impulsstrategien werden sowohl in einer Asset-Allokation als auch in einem Set untersucht Von Branchenportfolios. Simple Modelle der Impulsrückkehr werden betrachtet. Der Unterschied zwischen dem Zeitreihenimpuls und dem Querschnittsmoment, insbesondere hinsichtlich der Gewinnquellen, wird sowohl theoretisch als auch empirisch geklärt. Theoretische und empirische Gründe für die Wirksamkeit der Volatilitäts-Gewichtung werden zur Verfügung gestellt, und das Verhältnis des Impulses mit der Querschnittsdispersion und - flüchtigkeit wird untersucht. Maymin, Maymin, Fisher: Momentums Hidden Sensitivity zum Starting Day papers. ssrnsol3papers. cfmabstractid1899000 Zusammenfassung: Wir zeigen, dass die Rentabilität von Zeitreihen-Impuls-Strategien auf Rohstoff-Futures in ihrer gesamten Geschichte stark empfindlich auf den Starttag ist. Unter Verwendung von Tagesrenditen mit 252-tägigen Ausbildungsperioden und 21-tägigen Halteperioden hängt das Sharpe-Verhältnis davon ab, ob am ersten Tag, am zweiten Tag usw. bis zum einundzwanzigsten Tag begonnen wird. Diese Sensitivität ist bei kürzeren Handelsperioden höher. Dasselbe gilt auch für die Simulation unabhängiger und identisch logarithmisch verteilter Renditen, die zeigen, dass dies nicht nur ein empirisches Muster, sondern ein fundamentales Problem mit Impulsstrategien ist. Die Portfoliomanager sollten sich dieses latenten Risikos bewusst sein: Den Handel mit derselben Strategie auf demselben Basiswert zu beginnen, aber einen Tag später könnte eine erfolgreiche Strategie auch nach vielen Jahrzehnten zu einem erfolglosen Erfolg führen. Hurst, Ooi, Pedersen: Entmystifizierung Managed Future pages. stern. nyu. edu lpedersepapersDemystifyingManagedFutures. pdf Zusammenfassung: Wir zeigen, dass die Renditen von Managed Futures-Fonds und CTAs durch einfache Trendfolgen-Strategien, insbesondere Zeitreihen-Impulsstrategien, erklärt werden können. Wir diskutieren die ökonomische Intuition hinter diesen Strategien, einschließlich der potenziellen Ertragsquellen aufgrund einer anfänglichen Unterreaktion und einer verzögerten Überreaktion auf Nachrichten. Wir zeigen empirisch, dass diese Trendfolgen-Strategien die Managed Futures-Renditen erklären. Tatsächlich erzeugen Zeitreihen-Impulsstrategien große Korrelationen und hohe R-Quadrate mit Managed Futures-Indizes und individuellen Managerrenditen, einschließlich der größten und erfolgreichsten Manager. Während die größten Managed Futures-Manager bedeutende Alphas zu traditionellen Long-Only-Benchmarks realisiert haben, steuert die Steuerung von Zeitreihen-Impulsstrategien ihre Alphas auf Null. Schließlich betrachten wir eine Reihe von Implementierungsfragen, die für Zeitreihen-Impulsstrategien relevant sind, einschließlich Risikomanagement, Risikozuteilung über Assetklassen und Trendhorizonte, Portfolio-Neuausgleichshäufigkeit, Transaktionskosten und Gebühren. Zhou, Zhu: Ein Gleichgewichtsmodell der bewegten Durchschnittsberechenbarkeit und Zeitreihen Momentum papers. ssrnsol3papers. cfmabstractid2326650 In einem Gleichgewichtsmodell mit rational informierten Investoren und technischen Investoren zeigen wir, dass der gleitende Durchschnitt der vergangenen Marktpreise die Zukunft prognostizieren kann Preis, erklärt die starke Vorhersagekraft in vielen empirischen Studien gefunden. Unser Modell kann auch erklären, die Zeitreihe Momentum, dass die Marktpreise tendenziell positiv korreliert werden in der kurz-und negativ korreliert auf lange Sicht. Hutchinson, OBrien: Ist dieses Mal unterschiedlich Trendfolgen und Finanzkrise papers. ssrnsol3papers. cfmabstractid2375733 Kurzfassung: Nach großen positiven Renditen im Jahr 2008 erhielten CTAs erhöhte Aufmerksamkeit und Zuweisungen von institutionellen Investoren. Die Folgebewertung lag unter dem langfristigen Durchschnitt. Dies geschah in einem Zeitraum nach der größten Finanzkrise seit der großen Depression. In diesem Papier, mit fast einem Jahrhundert der Daten, untersuchen wir, was in der Regel geschieht, um die Kernstrategie verfolgt diese Mittel in globalen Finanzkrisen. Wir untersuchen auch das Zeitreihenverhalten der Märkte, die von CTAs in diesen Krisenperioden gehandelt werden. Unsere Ergebnisse zeigen, dass in einem längeren Zeitraum nach Finanzkrise Trend nach durchschnittlichen Renditen weniger als die Hälfte der in Krisenzeiten nicht verdient. Der Nachweis aus regionalen Krisen zeigt ein ähnliches Muster. Wir finden auch, dass Futures-Märkte nicht zeigen die starke Zeitreihe Rückkehr Vorhersage vorherrschend in Krisenzeiten, was in relativ schwachen Renditen für Trend folgenden Strategien in den vier Jahren unmittelbar nach Beginn einer Finanzkrise. Dudler, Gmuer, Malamud: Risikominimierte Zeitreihe Momentum papers. ssrnsol3papers. cfmabstractid2457647 Kurzfassung: Wir stellen eine neue Klasse von Impulsstrategien vor, die auf den langfristigen Durchschnittswerten der risikoadjustierten Renditen basieren und diese Strategien auf einem 64er Universum untersuchen Futures-Kontrakte. Wir zeigen, dass diese risikoadjustierte Impulsstrategie die Zeitreihen-Impulsstrategie von Ooi, Moskowitz und Pedersen (2012) für nahezu alle Kombinationen von Halte - und Rückblickperioden übertrifft. Wir konstruieren Maßnahmen der momentumsspezifischen Volatilität (Risiko) (sowohl innerhalb als auch über Assetklassen) und zeigen, dass diese Volatilitätsmaßnahmen sowohl für das Risikomanagement als auch für das Momentum-Timing genutzt werden können. Das Momentum-Risikomanagement erhöht die Sharpe-Ratio deutlich, führt aber gleichzeitig zu einem stärkeren negativen Schiefe - und Schwanzrisiko. Die Kombination des Risikomanagements mit dem Impuls-Timing eliminiert praktisch die negative Verschiebung der Impulsrenditen und reduziert das Schwanzrisiko erheblich. Darüber hinaus führt das Impulsrisikomanagement zu einer deutlich geringeren Belastung durch Markt-, Wert - und Impulsfaktoren. Infolgedessen bieten risikoorientierte Impulsrenditen viel höhere Diversifizierungsvorteile als die normalen Impulsrenditen. Hutchinson, OBrien: Trendfolgende und makroökonomische Risiken papers. ssrnsol3papers. cfmabstractid2550718 Kurzfassung: Wir untersuchen die Beziehung zwischen den Trendrenditen und dem makroökonomischen Risiko. Unsere Ergebnisse zeigen, dass makroökonomische Faktoren eine statistisch signifikante Beziehung mit der Tendenz aufweisen, nachdem wir die dynamischen Belastungen der Strategie zulassen. Wir gehen davon aus, dass dieses Risiko durch die unterschiedlichen Risikoexposures in der Folge zu positiven Renditen in einem breiten Spektrum von Anleihen - und Aktienmarktzyklen führt. Vorhergehende Untersuchungen haben dokumentiert, dass die Mehrheit der Querschnittsimpulsrenditen aus makroökonomischen Risikoexpositionen abgeleitet wird. Dies gilt jedoch nicht für Tendenzen, bei denen mindestens die Hälfte der Performance aus den unerklärten Komponenten der Futures-Renditen stammt. Wenn wir die Performance auf die bedingte Volatilität der makroökonomischen Variablen beziehen, zeigen unsere Ergebnisse, dass die Tendenz zu höheren Renditen in Perioden führt, in denen die wirtschaftliche Unsicherheit gering ist. Goyal, Jegadeesh: Querschnitts-und Zeitreihen-Tests der Rückkehr Vorhersagbarkeit: Was ist der Unterschied papers. ssrnsol3papers. cfmabstractid2610288 Zusammenfassung: Wir analysieren die Unterschiede zwischen Vergangenheit-Rendite-Strategien, die sich in der Konditionierung auf vergangene Renditen von mehr als Null (Zeit (TS) und vergangene Renditen, die den Querschnittsdurchschnitt überschreiten (Querschnittsstrategie, CS). Die Rückkehrdifferenz zwischen diesen beiden Strategien ergibt sich vor allem aus zeitveränderlichen Longpositionen, die die TS-Strategie auf dem Gesamtmarkt einnimmt und demzufolge keine Auswirkungen auf das Verhalten einzelner Vermögenspreise hat. Allerdings sind die TS - und CS-Strategien, die auf Finanzkennzahlen als Prädiktoren basieren, aufgrund der Vermögensauswahl manchmal unterschiedlich. Levine, Pedersen: Welche Tendenz ist Ihr Freund papers. ssrnsol3papers. cfmabstractid2603731 Abstract: Managed-Futures-Fonds (manchmal auch als CTAs) Handel überwiegend auf Trends. Es gibt mehrere Möglichkeiten, Trends zu identifizieren, entweder mit Heuristiken oder statistischen Maßnahmen, die oft als Filter bezeichnet werden. Zwei wichtige statistische Maßnahmen der Preisentwicklung sind Zeitreihenmomentum und gleitende Durchschnittsübergänge. Wir zeigen sowohl empirisch als auch theoretisch, dass diese Trendindikatoren eng miteinander verbunden sind. Tatsächlich sind sie äquivalente Darstellungen in ihren allgemeinsten Formen und sie erfassen auch viele andere Arten von Filtern, wie den HP-Filter, den Kalman-Filter und alle anderen linearen Filter. Ferner zeigen wir, wie Trendfilter äquivalent als Funktionen vergangener Preise gegenüber früheren Renditen dargestellt werden können. Unsere Ergebnisse vereinen und erweitern eine Reihe von Trendfolgen-Strategien und wir diskutieren die Implikationen für Investoren. Georg Poulou, Wang: Der Trend ist Ihr Freund: Zeitreihen-Impulsstrategien im Aktien - und Rohstoffmarkt papers. ssrnsol3papers. cfmabstractid2618243 Kurzfassung: Mit Hilfe eines Datensatzes aus 67 Aktien - und Rohstoffindizes von 1969 bis 2013 dokumentiert diese Studie eine signifikante Zeitreihe Effekt auf die internationalen Aktien - und Rohstoffmärkte. Dieses Papier dokumentiert ferner, dass internationale Investmentfonds eine Tendenz haben, Instrumente zu kaufen, die in den letzten Monaten gut gearbeitet haben, aber sie verkaufen nicht systematisch diejenigen, die in den gleichen Zeiträumen schlecht gehandelt haben. Wir finden auch, dass ein diversifiziertes Long-Short-Momentum-Portfolio seine größten Gewinne in extremen Marktbedingungen realisiert, aber die Marktinterventionen der Zentralbanken in den letzten Jahren scheinen die Performance solcher Portfolios in Frage zu stellen. Dudler, Gmur, Malamud: Momentum und Risikokorrektur iijournalsdoipdfplus10.3905jai.2015.2015.1.044 Das Ziel dieses Artikels ist es daher, diese Ineffizienz innerhalb der in einem wichtigen Artikel von Moskauzitz, Ooi und Pedersen 2012. Zu diesem Zweck stellen wir eine neue Klasse von Impulsstrategien, risikoadjustierte Zeitreihen-Momentum (RAMOM) Strategien vor, die auf Durchschnittswerten von Vergangenheits-Futures-Renditen basieren, die durch ihre Volatilität normalisiert werden. Wir testen diese Strategien auf einem Universum von 64 flüssigen Futures-Kontrakten und zeigen, dass RAMOM-Strategien die TSMOM-Strategien von Moskauitz, Ooi und Pedersen 2012 für kurz-, mittel - und langfristige Impulsstrategien übertreffen. Darüber hinaus haben RAMOM-Handelssignale ein weiteres nützliches und wichtiges Merkmal: Sie sind natürlich weniger abhängig von hoher Volatilität. Mit anderen Worten, Standard-TSMOM-Strategien neigen dazu, positiv zu korrelieren (siehe z. B. Hurst et al., 2013) mit einer Langstreckungsposition (long-call, long-put) und infolgedessen besser in volatilen Marktumgebungen. Wie wir zeigen, ist dies viel weniger der Fall für die RAMOM-Renditen, weil durch die Risikokorrektur der Handelssignale gemäß der Volatilität wir RAMOM wieder empfindlicher auf neue Informationen genau zu dem Zeitpunkt reagieren, zu dem die Volatilität niedrig ist. Infolgedessen neigt die Outperformance von RAMOM relativ zu TSMOM dazu, negativ auf die Volatilität zu beziehen. Baltas: Trendfolgen, Risiko-Parität und Einfluss von Korrelationen papers. ssrnsol3papers. cfmabstractid2673124 Abstract: Trendfolgende Strategien nehmen Long-Positionen in Vermögenswerten mit positiven vergangenen Renditen und Short-Positionen in Vermögenswerten mit negativen vergangenen Renditen. Sie werden typischerweise unter Verwendung von Futures-Kontrakten über alle Assetklassen gebaut, wobei die Gewichte umgekehrt proportional zur Volatilität sind und historisch große Diversifizierungsmerkmale aufweisen, insbesondere während dramatischer Marktabschwünge. Nach einer beeindruckenden Performance im Jahr 2008 ist es jedoch nicht gelungen, in der Nachkrisenzeit, 2009-2013, eine Trendwende zu erzielen. Diese Periode zeichnet sich durch ein hohes Maß an Co-Bewegung sogar über Assetklassen aus, wobei das investierbare Universum grob in die so genannten Risk-On - und Risk-Off-Subklassen unterteilt ist. Wir untersuchen, ob das inverse Volatilitäts-Gewichtungsschema, das effektiv paarweise Korrelationen ignoriert, in einer Umgebung zunehmender Korrelationen suboptimal sein kann. Durch die Ausweitung der konventionell langfristigen Risiko-Parität (gleicher Risikobeitrag) - Analyse konstruieren wir eine langfristige, trendorientierte Strategie, die von den Grundsätzen der Risikoparität Gebrauch macht. Wir verbessern nicht nur die Performance der Strategie, sondern wir zeigen auch, dass diese Verbesserung vor allem durch die Leistungsfähigkeit des anspruchsvolleren Gewichtungsschemas in extremen durchschnittlichen Korrelationsregelungen getragen wird. Kim, Tse, Wald: Zeitreihe Momentum und Volatilität Skalierung world-finance-conferencepaperswfc2468.pdf Abstract: Moskowitz, Ooi und Pedersen (2012) zeigen, dass die Zeitreihenmomentum ein großes und signifikantes Alpha für ein diversifiziertes Portfolio verschiedener internationaler Futures-Kontrakte liefert Über den Zeitraum 1985 bis 2009. Obwohl wir diese Ergebnisse mit ähnlichen Daten bestätigen, finden wir, dass ihre Ergebnisse durch die Volatilitäts-skalierten Renditen (oder die so genannte Risiko-Parität-Ansatz für Asset Allocation) anstatt durch Zeitreihen-Impuls getrieben werden. Das Alpha der Zeitreihen-Momentum-Monatsrenditen sinkt von 1,27 mit Volatilitäts-skalierten Gewichten auf 0,41 ohne Volatilitätsskalierung, was signifikant niedriger ist als das Querschnittsmomentum alpha von 0,95. Unter Verwendung von Volatilitäts-skalierten Positionen ist die kumulative Rendite einer Zeitreihen-Impulsstrategie höher als die der Buy-and-Hold-Strategie, jedoch bietet timeseriesmomentuman buy-and-hold ähnliche kumulative Renditen, wenn sie nicht durch Volatilität skaliert werden. Blocher, Cooper, Molyboga: Benchmarking Commodity Investments papers. ssrnsol3papers. cfmabstractid2744766 Zusammenfassung: Während viel über die Finanzierung der Rohstoffe bekannt ist, Weniger ist bekannt, wie profitabel in Rohstoffe investieren bekannt. Vorhandene Studien von Commodity Trading Advisors (CTAs) nicht adäquat diese Frage, weil nur 19 von CTA investieren ausschließlich in Rohstoffe, trotz ihres Namens. Wir vergleichen ein neuartiges Vier-Faktor-Asset-Pricing-Modell mit existierenden Benchmarks zur Bewertung von CTAs. Nur unsere Vier-Faktor-Modell Preise sowohl Rohstoff-und langfristige Risiko-Prämien. Insgesamt bewerten unsere Vier-Faktor-Modellpreise Rohstoff-Prämien besser als die Fama-Französisch Drei-Faktor-Modell Preise Aktienrisiko Prämien, und ist daher ein geeigneter Maßstab für die Bewertung der Rohstoff-Investment-Fahrzeuge. Ferreira, Silva, Yen: Informationsquellenanalyse von Impulsstrategien arxiv. orgabs1402.3030 Abstract: In den vergangenen 20 Jahren sind Impuls - oder Trendfolgen nach Strategien zu einem festen Bestandteil der Investoren-Toolbox geworden. Wir stellen eine neue Methode zur Analyse von Impulsstrategien vor, indem wir die Informationsquote (IR, durchschnittliche Rendite geteilt durch Standardabweichung) betrachten. Wir berechnen die theoretische IR einer Impulsstrategie und zeigen, dass, wenn der Impuls hauptsächlich auf die positive Autokorrelation im Rücklauf zurückzuführen ist, die IR als Funktion der Portfolio-Bildungsperiode (Look-back) sehr unterschiedlich ist von der Dynamik der Drift Rückkehr). Die IR zeigt, dass für den Rückblick von ein paar Monaten, wird der Investor eher in Autokorrelation tippen. Allerdings, für Rückblickperioden näher an 1 Jahr, ist der Investor eher auf die Drift zu klopfen. Wir vergleichen die historischen Daten mit der theoretischen IR durch die Konstruktion stationärer Perioden. Die empirische Studie stellt fest, dass es periodsregimes wo die Autokorrelations wichtiger als die Drift ist, die IR bei der Erläuterung (insbesondere pre-1975) und andere, bei denen die Drift wichtiger (meist nach 1975) ist. Wir schließen unsere Studie, indem wir unsere Impulsstrategie auf 100 Jahre des Dow-Jones Industrial Average anwenden. Wir melden gedämpfte Oszillationen auf der IR für Rückblickperioden von mehreren Jahren und modellieren solche Oszillationen als Umkehrung der mittleren Wachstumsrate. HAMERT, Rattray, Hemert: Trendverfolgung: Aktien - und Anleihenkrise Alpha papers. ssrnsol3papers. cfmabstractid2831926 Kurzfassung: Wir studieren Zeitreihen-Dynamik (Trendfolgen) in Anleihen, Rohstoffen, Währungen und Aktienindizes zwischen 1960 und 2015. Wir finden das Impuls-Strategien, die sowohl vor als auch nach 1985 konsistent durchgeführt wurden, Perioden, die durch starke Bären - und Bullenmärkte in Anleihen gekennzeichnet waren. Wir dokumentieren eine Reihe wichtiger Risikoeigenschaften. Erstens, die Rückkehr ist positiv geschrumpft, die wir argumentieren ist intuitiv, indem sie eine Parallele zwischen Impuls-Strategien und eine lange Option Straddle-Strategie. Zweitens war die Performance in den schlechtesten Aktien - und Rentenmarktumgebungen besonders stark, was die Behauptung, dass Trendfolgen die Aktien - und Anleihekrise Alpha bieten kann, bestätigt. Die Beschränkung der Strategie, um zu verhindern, dass Long-Aktien oder Long-Bonds das Potenzial zur weiteren Verbesserung der Krise Alpha, sondern reduziert die durchschnittliche Rendite. Schließlich untersuchen wir, wie sich die Performance in Impulsstrategien auf der Grundlage von Renditen mit unterschiedlichen Verzögerungen verändert hat und auf verschiedene Anlageklassen angewendet wird. Peltomaki, Agerback, Gudmundsen-Sinclair: Die lange und kurze der Trendfolger papers. ssrnsol3papers. cfmabstractid2836389 Kurzfassung: Wir schlagen die Verwendung von kurzen und langen Portfolios von Trendfolgen Strategien, um ihre Risiko-und Renditecharakteristiken zu analysieren. Wir stellen fest, dass ihre Engagements zeitabhängig sind, vom Marktzustand abhängen und dass die Rückkehr zu ihren langen und kurzen Seiten in demselben Vermögenswert nicht vergleichbar ist. Darüber hinaus zeigen wir Hinweise für gelegentliche langjährige Diskretion von CTA-Managern. Unsere Ergebnisse stehen im Einklang mit der Anpassungsmärkten Hypothese, und die wichtigste Lehre unserer Studie ist, dass die langen und kurzen Seiten in der Analyse der dynamischen Anlagestrategien unterschieden werden sollten. Till: Was sind die Quellen der Rückkehr für CTAs und Commodity-Indizes Eine kurze Übersicht über relevante Forschung oxfordstratcoasdfASD32uploads201603Sources-of-Return-for-CTAs. pdf Zusammenfassung: Diese Umfrage Papier diskutieren die (potenziellen) strukturellen Quellen der Rendite für CTAs und Rohstoffe Indizes, die auf einer Überprüfung von empirischen Forschungsartikeln von Akademikern und Praktikern beruhen. Das Papier, das speziell umfasst (a) die langfristigen Renditequellen für beide Managed-Futures-Programme und für Rohstoffindizes (b) die Erwartungen der Anleger und der Portfoliokontext für Futures-Strategien und (c), wie diese Strategien Benchmark. Hoffman, Kaminski: Das TAMING der SKEW valuewalkwp-contentuploads201606TheTaming derSkewCampbellCompany. pdf Zusammenfassung: Investoren sind oft besorgt über die negative Schiefe oder Links-Schwanz-Asymmetrie der Eigenkapitalrenditen. Als Reaktion darauf suchen sie nach risikomindernden Strategien, um gegenläufige Renditen zu erzielen, wenn die Aktienmärkte fallen. Tendenzstrategien sind aufgrund ihrer Assoziation mit positiver Schieflage beliebte Kandidaten für Risikominderung oder Krisen-Offset. Dieses Papier untersucht, wie ein Trend-folgendes Portfolio positive Schiefe erreichen kann, und stellt fest, dass zeitliche Variation des Risikos ist der primäre Faktor. In der Tat kann jedes Portfolio mit einem positiven Sharpe-Verhältnis erreichen positive Schiefe einfach durch die Veränderung der Höhe des Risikos durch die Zeit. Verwandte von Märkten: Zeitreihenanalyse und statistische Arbitrage G63.2707, Herbst 2009 Wie wir historische Finanzdaten analysieren Analyse zu entwickeln profitable und risikoarme Handelsstrategien Dieser Kurs ist eine Einführung in die Zeitreihe als in den Bereichen Finanzen und Handelsstrategien relevant Sowohl den Buy-Side - als auch den Sell-Side-Marktteilnehmern. Der Kurs wird grob in drei Teile unterteilt: Lineare Modelle: AR und MA für Skalar - und Vektorprozesse sowie einfache Volatilitäts - und Kovarianzschätzungen. Modellauswertung und Restanalyse. Kointegration und ihre Anwendung in der Risikomodellierung und Paarhandelsstrategien. Nichtlineare Modelle: ARCH, GARCH und allgemeinere Volatilitätsmodelle. Anwendungen: Marktmikrostruktur, Transaktionskostenmodellierung und optimale Handelsstrategien für Agentur - und Haupthandel. Instructors Lin Li, ll1084 at nyu Voraussetzungen Der Kurs richtet sich an Studierende des zweiten Studienjahres im Courant Institute MS-Programm für Mathematik in Finance. eine hervorragende Grundlage in Mathematik zu haben, angewandt zu finanzieren (stochastische Kalkül und PDEs), einen angemessenen Hintergrund in den Bereichen Finanzen (Portfoliotheorie und Risikomanagement) und in der Informatik, aber nicht notwendigerweise eine intensive Kenntnisse der Statistik Diese Studenten werden erwartet. Studierende mit vergleichbarer Vorbereitung können sich einschreiben, wenn Platz vorhanden ist. Ungefähr 5 Hausaufgaben (40 gesamt), ein Quiz (30) und ein abschließendes Projekt (30). Referenzen Wir haben ein Klassenkonto bei Wharton Research Data Services. Anmeldeinformationen werden in der Klasse angegeben. Carol Alexander, Marktmodelle. James D. Hamilton, Zeitreihenanalyse, Princeton University Press 1994. Joel Hasbrouck, Empirical Market Microstructure, Oxford University Press 2006 (mehr Infos auf Hasbroucks Seite). Stephen J. Taylor, Vermögenspreisdynamik, Volatilität und Prognose, Princeton University Press 2005. Ruey S. Tsay, Analysis of Financial Time Series, 2. Auflage, Wiley 2005 Forschungsartikel zur Verfügung gestellt werden, wie gebraucht. Montag Abend, 7:10 bis 9 PM in Silber 713, vom 14. September bis 7. oder 14. Dezember. (Es gibt keine Columbus Day Urlaub in diesem Jahr.) Der Zeitplan und der Umriss unten sind abhängig von der Art des Kurses abhängig entwickelt und auf die Ausbilder demands. Time Serie Dynamik wir dokumentieren bedeutende ldquotime Serie momentumrdquo in Aktienindex, Währung, Rohstoff-und Bond-Futures für jeden der 58 liquide Instrumente betrachten wir reisen. Wir finden Beharrlichkeit in der Rückkehr für ein bis 12 Monate, die teilweise über längere Horizonte kehrt, im Einklang mit Sentimentalitätstheorien der anfänglichen Unterreaktion und verzögerten Überreaktion. Ein diversifiziertes Portfolio von Zeitreihen-Impulsstrategien in allen Assetklassen liefert erhebliche anormale Renditen mit geringem Engagement gegenüber Standard-Asset-Preisfaktoren und führt am besten zu extremen Märkten. Untersuchen die Handelsaktivitäten von Spekulanten und Hecken, finden wir, dass Spekulanten profitieren von Zeitreihen-Impuls auf Kosten von Hecken. JEL-Klassifizierung Asset Pricing Handelsvolumen Futures-Pricing Internationale Finanzmärkte Markteffizienz 1. Einleitung: Trendtrends Wall Street Wir dokumentieren eine Anomalie, die wir als ldquotime-Serienimpuls bezeichnen, das in sehr unterschiedlichen Assetklassen und - märkten bemerkenswert ist. Genauer gesagt, finden wir eine starke positive Vorhersehbarkeit aus einer Sicherung eigenen vergangenen Renditen für fast fünf Dutzend diverse Futures und Forward-Kontrakte, die Land Aktienindizes, Währungen, Rohstoffe und Staatsanleihen über mehr als 25 Jahren von Daten gehören. Wir finden, dass die vergangene 12-Monats-Überschussrendite jedes Instruments ein positiver Prädiktor für die zukünftige Rendite ist. Diese Zeitreihe Impuls oder ldquotrendrdquo Wirkung bleibt für etwa ein Jahr und dann teilweise umgekehrt über längere Horizonte. Diese Ergebnisse sind robust über eine Anzahl von Teilabtastungen, Rückblickperioden und Halteperioden. Wir sehen, dass die 12-Monats-Zeitreihen-Momentum-Gewinne nicht nur durchschnittlich über diese Vermögenswerte positiv sind, sondern für jeden Asset-Vertrag, den wir untersuchen (insgesamt 58). Das Zeitreihenmomentum steht im Zusammenhang mit dem Phänomen, das als ldquomomentumdquo in der Finanzliteratur bekannt ist, das in erster Linie Querschnitt in der Natur ist. Die Dynamikliteratur konzentriert sich auf die relative Wertentwicklung von Wertpapieren im Querschnitt. finding that securities that recently outperformed their peers over the past three to 12 months continue to outperform their peers on average over the next month. 1 Rather than focus on the relative returns of securities in the cross-section, time series momentum focuses purely on a securitys own past return. We argue that time series momentum directly matches the predictions of many prominent behavioral and rational asset pricing theories. Barberis, Shleifer, and Vishny (1998). Daniel, Hirshleifer, and Subrahmanyam (1998). and Hong and Stein (1999) all focus on a single risky asset, therefore having direct implications for time series, rather than cross-sectional, predictability. Likewise, rational theories of momentum (Berk et al. 1999. Johnson, 2002. Ahn et al. 2003. Liu and Zhang, 2008 xA0andxA0Sagi and Seasholes, 2007 ) also pertain to a single risky asset. Our finding of positive time series momentum that partially reverse over the long-term may be consistent with initial under-reaction and delayed over-reaction, which theories of sentiment suggest can produce these return patterns. 2 However, our results also pose several challenges to these theories. First, we find that the correlations of time series momentum strategies across asset classes are larger than the correlations of the asset classes themselves. This suggests a stronger common component to time series momentum across different assets than is present among the assets themselves. Such a correlation structure is not addressed by existing behavioral models. Second, very different types of investors in different asset markets are producing the same patterns at the same time. Third, we fail to find a link between time series momentum and measures of investor sentiment used in the literature (Baker and Wurgler, 2006 xA0andxA0Qiu and Welch, 2006 ). To understand the relationship between time series and cross-sectional momentum, their underlying drivers, and relation to theory, we decompose the returns to a time series and cross-sectional momentum strategy following the framework of Lo and Mackinlay (1990) and Lewellen (2002). This decomposition allows us to identify the properties of returns that contribute to these patterns, and what features are common and unique to the two strategies. We find that positive auto-covariance in futures contracts returns drives most of the time series and cross-sectional momentum effects we find in the data. The contribution of the other two return componentsmdashserial cross-correlations and variation in mean returnsmdashis small. In fact, negative serial cross-correlations (i. e. lead-lag effects across securities), which affect cross-sectional momentum, are negligible and of the ldquowrongrdquo sign among our instruments to explain time series momentum. Our finding that time series and cross-sectional momentum profits arise due to auto-covariances is consistent with the theories mentioned above. 3 In addition, we find that time series momentum captures the returns associated with individual stock (cross-sectional) momentum, most notably Fama and Frenchs UMD factor, despite time series momentum being constructed from a completely different set of securities. This finding indicates strong correlation structure between time series momentum and cross-sectional momentum even when applied to different assets and suggests that our time series momentum portfolio captures individual stock momentum. To better understand what might be driving time series momentum, we examine the trading activity of speculators and hedgers around these return patterns using weekly position data from the Commodity Futures Trading Commission (CFTC). We find that speculators trade with time series momentum, being positioned, on average, to take advantage of the positive trend in returns for the first 12 months and reducing their positions when the trend begins to reverse. Consequently, speculators appear to be profiting from time series momentum at the expense of hedgers. Using a vector auto-regression (VAR), we confirm that speculators trade in the same direction as a return shock and reduce their positions as the shock dissipates, whereas hedgers take the opposite side of these trades. Finally, we decompose time series momentum into the component coming from spot price predictability versus the ldquoroll yieldrdquo stemming from the shape of the futures curve. While spot price changes are mostly driven by information shocks, the roll yield can be driven by liquidity and price pressure effects in futures markets that affect the return to holding futures without necessarily changing the spot price. Hence, this decomposition may be a way to distinguish the effects of information dissemination from hedging pressure. We find that both of these effects contribute to time series momentum, but only spot price changes are associated with long-term reversals, consistent with the idea that investors may be over-reacting to information in the spot market but that hedging pressure is more long-lived and not affected by over-reaction. Our finding of time series momentum in virtually every instrument we examine seems to challenge the ldquorandom walkrdquo hypothesis, which in its most basic form implies that knowing whether a price went up or down in the past should not be informative about whether it will go up or down in the future. While rejection of the random walk hypothesis does not necessarily imply a rejection of a more sophisticated notion of market efficiency with time-varying risk premiums, we further show that a diversified portfolio of time series momentum across all assets is remarkably stable and robust, yielding a Sharpe ratio greater than one on an annual basis, or roughly 2.5 times the Sharpe ratio for the equity market portfolio, with little correlation to passive benchmarks in each asset class or a host of standard asset pricing factors. The abnormal returns to time series momentum also do not appear to be compensation for crash risk or tail events. Rather, the return to time series momentum tends to be largest when the stock markets returns are most extrememdashperforming best when the market experiences large up and down moves. Hence, time series momentum may be a hedge for extreme events, making its large return premium even more puzzling from a risk-based perspective. The robustness of time series momentum for very different asset classes and markets suggest that our results are not likely spurious, and the relatively short duration of the predictability (less than a year) and the magnitude of the return premium associated with time series momentum present significant challenges to the random walk hypothesis and perhaps also to the efficient market hypothesis, though we cannot rule out the existence of a rational theory that can explain these findings.