Estratégia de reversão média etf
The Sweet Spot for Mean Reversion ETF Estratégias.
por Michael R. Bryant.
Em seu recente livro, Howard Bandy discutiu o que ele chama de "ponto doce" para o desenvolvimento de sistemas de negociação de reversão média. 1 A idéia é que a combinação certa de comprimento da barra, período de espera, precisão do sistema e outras variáveis tende a maximizar os retornos ajustados pelo risco. 2 Este artigo mostra como as estratégias de negociação de reversão médias que se encontram nesse ponto fácil podem ser desenvolvidas para fundos negociados em bolsa (ETFs) usando ferramentas automatizadas.
Usando o Adaptrade Builder, uma ferramenta de desenvolvimento de estratégia para o Windows, vou mostrar como os métodos de teste de estresse com a análise de Monte Carlo podem ser usados como parte do processo de desenvolvimento para encontrar estratégias de reversão médias robustas para o FET S & P 500 (SPY) e o Selecione o setor SPDR * ETFs. Os arquivos de projeto do Builder, que incluem o código da estratégia, são fornecidos para cada exemplo.
Aterrar no Sweet Spot.
A idéia básica por trás do bom ponto do Dr. Bandy é que as boas estratégias de negociação devem usar um tamanho de barra curto e têm uma precisão bastante alta com um curto período de espera e baixa redução. O tamanho da barra curta e o período de retenção curto maximizam as oportunidades de retornos compostos, enquanto a alta precisão e a redução reduzida facilitam a recuperação das perdas. As últimas qualidades também facilitam a determinação da viabilidade da estratégia e determinam quando ela não está funcionando mais porque os padrões de perda típicos para sistemas de alta precisão tendem a ser relativamente curtos.
Com base nas diretrizes do Dr. Bandy, as seguintes características serão usadas neste artigo para definir os requisitos ótimos para estratégias de ETF de reversão média:
Por meio de reversão, estou me referindo a estratégias que tentam comprar abaixo do preço médio atual e vendem a um preço mais alto à medida que o preço reverte para a média. A idéia é comprar baixo e vender alto, em oposição aos sistemas de tendência, que tipicamente tentam comprar alto e vender mais alto.
Construindo com a análise de Monte Carlo.
No meu último artigo de boletim informativo, discuti o uso do teste de estresse na avaliação das estratégias de negociação e sua relação com a robustez e a superação de estratégias. Eu também mencionei que se fosse incorporado ao processo de construção, tenderia a levar a estratégias que exibissem robustez. Essa é a abordagem que será seguida aqui.
Resumidamente, o teste de estresse refere-se à avaliação de quão sensível é uma estratégia comercial para suas insumos e ambiente. Uma estratégia robusta - uma que não é excessiva para o mercado - será relativamente insensível às mudanças em seus valores de parâmetros de entrada e a outras mudanças em seu ambiente, como mudanças nos dados de preços.
A análise de Monte Carlo é a técnica utilizada para avaliar o efeito dessas mudanças. Os insumos da estratégia, os dados de preços e outros fatores são alterados aleatoriamente e o desempenho da estratégia é avaliado. Ao repetir este processo muitas vezes, é obtida uma distribuição de resultados. Os resultados dos dados originais representam um ponto na distribuição. Outros pontos na distribuição representam os resultados usando versões ligeiramente alteradas dos dados originais, o que pode gerar resultados mais ou menos favoráveis do que os dados originais.
Os chamados resultados de Monte Carlo são os valores das medidas de desempenho (lucro líquido, vitórias percentuais, fator de lucro, etc.) que não são pior do que a maioria (tipicamente, 95%) das avaliações. Por exemplo, se o lucro líquido de Monte Carlo com 95% de confiança for de US $ 15.000, isso significa que 95% das avaliações tiveram um lucro líquido pelo menos tão grande quanto $ 15.000. Em outras palavras, existe uma chance de 95% de que o lucro líquido seja de pelo menos US $ 15.000, ou, ao contrário, há uma chance de 5% de que o lucro líquido seja inferior a US $ 15.000.
Quando uma estratégia de negociação é desenvolvida iterativamente em sucessivas gerações de modificação e teste, a construção baseada nos resultados de Monte Carlo tenderá a impulsionar a estratégia para uma que seja robusta, uma vez que apenas uma estratégia robusta terá bons resultados de Monte Carlo. O Adaptrade Builder automatiza esse processo, incluindo a avaliação dos resultados da estratégia utilizando os resultados de Monte Carlo de testes de estresse.
O primeiro exemplo é para o ETF SPDR S & amp; P 500 ETF (símbolo SPY). Foram utilizadas barras diárias de 1/4/1999 a 23/23/2018. O intervalo de data para construção foi definido em 1/4/1999 a 1/2/2018, com os primeiros 80% (1/4/1999 - 8/10/2008) utilizados para construção (isto é, na amostra) e dados restantes (8/11/2008 - 1/2/2018) utilizados para testes fora da amostra. Os dados restantes (1/3/2018 - 23/04/2018) foram reservados para validação. Todos os dados foram obtidos na TradeStation 9.
A lógica da estratégia era apenas por muito tempo, e 100% do capital próprio foi investido em cada comércio, com todos os lucros reinvestidos e US $ 0,015 por ação deduzidos por rodada para os custos de negociação.
O Adaptrade Builder usa um algoritmo de programação genética para desenvolver uma população de estratégias em sucessivas gerações. A chave para usar o Builder para encontrar estratégias que atendam aos nossos requisitos ótimos é configurar as chamadas métricas de construção, mostradas abaixo na Fig. 1.
Figura 1. As métricas de compilação no Builder definem o ponto de encontro da estratégia SPY.
A lista de Objetivos de Construção contém três métricas de propósito geral, todas as quais estão sendo maximizadas. Estes ajudam a orientar a população de estratégias para aqueles com alto lucro líquido, coeficiente de correlação e significância estatística, que são desejáveis para qualquer estratégia. As qualidades específicas que estamos procurando (ou seja, a mancha doce) são definidas pelas Condições de Construção, que incluem as condições de desigualdade para o número de trades, barras médias em negociações e a porcentagem de vitórias.
Observe que a condição para o número de negociações é definida como um intervalo com base no número de anos de dados na amostra e o objetivo de ter entre 20 e 30 negócios por ano. Observe também que a porcentagem de negociações vencedoras está definida entre 65% e 85%. O limite superior foi adicionado porque as estratégias com uma porcentagem invulgarmente alta de negociações vencedoras geralmente não conseguem atender a alguma outra condição. A penalização de tais estratégias ajudará a conduzir a população em direção a estratégias que atendam a todas as condições, ao contrário de estratégias que satisfazem desproporcionalmente uma condição para a exclusão de outras. A mesma lógica foi usada na definição de um intervalo para o fator de lucro.
As outras condições - coeficiente de correlação, significância estatística, fator de lucro e fração de Kelly - não fazem parte de nossos requisitos específicos, mas foram adicionados para melhorar os resultados globais. O teste de estresse e as configurações de Monte Carlo usadas para este exemplo foram selecionadas na tela Opções de construção, conforme mostrado abaixo na figura 2.
Figura 2. As opções de análise e teste de esforço de Monte Carlo são selecionadas na guia Opções de construção.
Conforme mostrado na figura, foram utilizadas 99 iterações de Monte Carlo para cada análise. Isso significa que 99 testes de estresse foram realizados além da avaliação dos dados originais. Os 100 conjuntos de dados foram analisados utilizando a análise de Monte Carlo para extrair os resultados com 95% de confiança, onde foram utilizados para avaliar as condições mostradas na Fig. 1. Os testes de estresse consistiram em aleatorizar os preços, randomizar os insumos da estratégia e aleatorizar o início Barra. Todas as três randomizações foram realizadas para cada teste de estresse.
Como cada estratégia foi avaliada 100 vezes (99 testes de estresse mais os dados originais) em cada geração, essa abordagem demorou cerca de 100 vezes o tempo que deveria ter tido testes de estresse e a análise de Monte Carlo não foi usada. Por esta razão, uma população relativamente pequena de apenas 100 membros foi usada para manter o tempo de solução razoável. A população evoluiu ao longo de 10 gerações, e uma opção foi definida para começar após 10 gerações se o lucro líquido no período fora da amostra fosse negativo.
O gráfico da curva de equidade da estratégia superior na população após 20 gerações (1 reconstrução) é mostrado abaixo na Fig. 3.
Figura 3. Curvas de capital para cada teste de estresse para a estratégia SPY final.
Cada curva na Fig. 3 representa um teste de estresse. Como pode ser visto, todas as diferentes curvas de equidade geralmente têm a mesma forma com resultados positivos fora da amostra. Os seguintes são alguns dos resultados de Monte Carlo com 95% de confiança correspondentes à Fig. 3.
Além do número de negócios, que é menos do que solicitado, a estratégia atende aos requisitos originais. A estratégia também passa no teste de validação. Quando a data de término é estendida até 23/04/2018, o lucro líquido total de Monte Carlo aumenta para US $ 67.015. A lógica de estratégia também satisfaz o requisito de uma estratégia de reversão média: ele entra em uma ordem limite e sai usando uma condição de indicador. A entrada limite significa que o mercado deve baixar o preço limite, então a estratégia está comprando baixa e vendendo depois que o mercado voltar.
É importante ter em mente que estes são resultados de Monte Carlo com 95% de confiança, o que significa que, por exemplo, 95% das avaliações do teste de estresse tinham um lucro líquido total pelo menos tão grande quanto $ 56.784. Se o teste de estresse é desligado e a estratégia é avaliada nos dados originais, a curva de equidade é como mostrado abaixo na Fig. 4.
Figura 4. Curva de capital para a estratégia SPY final sobre os dados originais.
Essa curva de patrimônio corresponde a um lucro líquido de $ 109.497, o que equivale a um retorno anual de 5.5%. Embora este seja apenas um retorno modesto, ele bate facilmente o retorno de compra e retenção de aproximadamente 1,8% no mesmo período e é alcançado sem alavancagem e com uma curva de ações cada vez maior ao longo de um período que inclui dois mercados ursos.
Um exemplo do SPDR do setor selecionado.
O segundo exemplo envolve a construção de uma estratégia sobre um portfólio de ETFs, que consiste nos SPDR do Select Sector. Esses ETFs dividem o índice S & P 500 em nove setores, de modo que cada estoque no S & amp; P 500 é colocado em um dos nove setores sem sobreposição. Os nove setores são Consumer Discretionary (símbolo XLY), Consumer Staples (XLP), Energy (XLE), Financial (XLF), Healthcare (XLV), Industrial (XLI), Materiais (XLB), Tecnologia (XLK) e Utilitários (XLU).
A maioria das mesmas configurações foram usadas para construir esta estratégia como no último exemplo. No entanto, como nove vezes mais dados de preço foram usados na construção, reduzi o número de iterações de Monte Carlo de 99 para 5. As outras opções de construção foram as mesmas da Fig. 2, exceto a opção de reconstrução, que não entre no jogo. Para o dimensionamento da posição, 20% do patrimônio foram investidos em cada comércio. Como nem todos os mercados provavelmente estavam negociando ao mesmo tempo, essa configuração foi escolhida para fornecer tamanhos de posição adequados sem resultar em alavancagem (ou seja, excesso de investimento).
O período in-sample para esta compilação foi 1/4/1999 a 5/28/2009 com 29/5/2009 a 1/2/2018 como o período fora da amostra e 1/3/2018 a 4/23 / 2018 reservado para validação. O gráfico da curva de equidade de uma das principais estratégias na população após 10 gerações (sem reconstruções) é mostrado abaixo na Fig. 5.
Figura 5. Curvas de capital para cada teste de estresse para a estratégia de portfólio final Select SPDR Set.
Cada curva de equivalência patrimonial na Fig. 5 representa o patrimônio da carteira gerado a partir do back-testing em todos os nove mercados simultaneamente para um conjunto de configurações de teste de estresse (ou os dados originais). Alguns resultados resumidos de Monte Carlo são mostrados abaixo.
Ao contrário do exemplo anterior, os resultados não são substancialmente diferentes quando a análise de Monte Carlo é desativada e os resultados são avaliados em relação aos dados originais. Nesse caso, o lucro líquido total aumenta para US $ 205.140. Esta estratégia também passa o teste de validação. A curva de equidade para a estratégia apenas nos dados originais (sem teste de estresse), em que o período de validação está incluído, é mostrada abaixo na Fig. 6.
Figura 6. Curva de capital para a estratégia final do portfólio Select SPDR do setor nos dados originais.
Essa curva de equivalência patrimonial corresponde a um lucro líquido de US $ 249.431, o que equivale a um retorno anual de 9,5%, com o pior caso de redução de 21%. Como com o exemplo anterior, a lógica de estratégia entra longamente em uma ordem limite. A maioria das saídas é através de uma saída de destino, com outros negócios saindo com base em uma condição de indicador ou em uma parada de proteção.
Download dos arquivos do Projeto de Reversão Média: *
(clique com o botão direito do mouse, Salvar destino como arquivo. zip, requer o Adaptrade Builder para abrir.)
* Por motivos de licenciamento, os arquivos de projeto não incluem dados de preço.
O chamado "sweet spot" para estratégias de negociação recomendado pelo Dr. Bandy parece fornecer condições efetivas para construir significativas reverter as estratégias comerciais de forma automatizada usando uma ferramenta como o Adaptrade Builder. Foi possível encontrar estratégias que atinjam a maioria dos requisitos para ambos os exemplos: uma estratégia de mercado único para o mercado do ETF SPY e uma estratégia para um portfólio de ETFs, que consiste nos nove Setores SPDR selecionados. Ambas as estratégias superaram a compra e a retenção e manteve-se bem no teste de validação.
Para ambos os exemplos, o teste de estresse com análise de Monte Carlo foi empregado para aumentar as chances de encontrar estratégias robustas. Em comparação com o exemplo do portfólio, os resultados do teste de estresse para a estratégia do mercado único (SPY) foram substancialmente mais conservadores (menos favoráveis) do que os resultados dos dados originais. Embora parte disso seja devido ao teste de estresse mais rigoroso em comparação com o exemplo do portfólio, sugere que a estratégia SPY é menos robusta do que o exemplo do portfólio. Em geral, onde os resultados de Monte Carlo diferem marcadamente dos resultados nos dados originais, pode-se esperar que a melhor estimativa de resultados futuros esteja em algum lugar, embora isso dependa de quão conservador seja o teste de estresse e a análise de Monte Carlo .
Parece razoável que a estratégia de portfólio seja mais robusta do que a estratégia de mercado único, uma vez que a estratégia de portfólio foi construída em nove mercados diferentes e foi obrigada a trabalhar razoavelmente bem em uma variedade mais ampla de dados de preços. Foi construído nove vezes mais dados e tem cerca de nove vezes mais trades. O maior desempenho da estratégia de portfólio pode refletir o efeito positivo da diversificação em relação aos nove setores diferentes dos SPDRs.
Embora nenhuma das duas estratégias tenha cumprido o requisito para o número de negócios, pode ser possível encontrar estratégias que atinjam todos os requisitos se uma população maior for usada ou forem exigidos requisitos de reconstrução mais rigorosos, o que exigiria mais tempo de construção. Alternativamente, pode ser o caso de que tal estratégia não é provável devido aos requisitos conflitantes de alta precisão, freqüência comercial, curta duração do comércio e assim por diante. O melhor conjunto de condições de construção é aquele que explora plenamente o potencial do mercado enquanto permanece realista.
Combinando um conjunto de condições de construção úteis, como as fornecidas pelo Dr. Bandy, com recursos de robustez incorporados, como teste de estresse e análise de Monte Carlo, em uma ferramenta automatizada como o Builder deve fornecer uma estrutura sólida para o desenvolvimento de estratégias comerciais eficazes.
Bandy, Howard B., Mean Reversion Trading Systems, Blue Owl Press, Inc., Sioux Falls, SD, 2018, p. 138.
Bandy, Howard B., Modeling Trading System Performance, Blue Owl Press, Inc., Sioux Falls, SD, 2018, p. 154.
Este artigo apareceu na edição de abril de 2018 do boletim informativo do Adaptrade Software.
* O S & amp; P 500 ® e Select Sector SPDRs são marcas comerciais da The McGraw-Hill Companies, Inc.
OS RESULTADOS DE DESEMPENHO HIPOTÉTICOS OU SIMULADOS TÊM CERTAS LIMITAÇÕES INERENTES. DESEJO UM REGISTRO DE DESEMPENHO REAL, OS RESULTADOS SIMULADOS NÃO REPRESENTAM A NEGOCIAÇÃO REAL. TAMBÉM, DESDE QUE OS NEGÓCIOS NÃO SEJAM REALMENTE EXECUTOS, OS RESULTADOS PODEM TENER SOB OU COMENTÁRIOS COMPLEMENTARES PARA O IMPACTO, SE HAVER, DE CERTOS FATORES DE MERCADO, TAL COMO FALTA DE LIQUIDEZ. PROGRAMAS DE NEGOCIAÇÃO SIMULADOS EM GERAL SÃO TAMBÉM SUJEITOS AO FATO QUE ESTÃO DESIGNADOS COM O BENEFÍCIO DE HINDSIGHT. NENHUMA REPRESENTAÇÃO ESTÁ FAZENDO QUE QUALQUER CONTA VÁ OU SEJA PROBABILITÁVEL PARA ALCANÇAR LUCROS OU PERDAS SIMILARES ÀOS MOSTRADOS.
Se você quiser ser informado de novos desenvolvimentos, novidades e ofertas especiais do Adaptrade Software, por favor, junte-se à nossa lista de e-mail. Obrigado.
Copyright © 2004-2018 Adaptrade Software. Todos os direitos reservados.
Estratégia de reversão média etf
Construindo um Momento Sistemático / Estratégia de Reversão Média com SPY.
27 de fevereiro de 2017 1:05 PM • espião.
Os últimos trinta anos de academia financeira fizeram um bom trabalho na construção de carteiras ótimas com base em coisas como retorno esperado, variância e correlações. Eu vou destacar uma maneira de aumentar os retornos ajustados pelo risco usando estratégias sistemáticas longas / curtas em um ticker individual. Nós vamos usar o SPDR S & amp; P 500 ETF (NYSEARCA: SPY) aqui por sua liquidez preferível (e, portanto, custo de empréstimos mais barato), sua familiaridade e sua diversificação implícita (porque é um ETF e não, digamos, um indivíduo nome que teria um grande termo de erro de anúncios de ganhos, etc.).
Nós vamos construir algoritmos muito simples que usam apenas uma entrada no preço da segurança. Para aqueles que não são familiares (ou se o algoritmo é uma palavra assustadora), tudo o que vamos fazer é chegar a uma "regra" sistemática (sem insumos do comerciante / investidor) para negociar a segurança. O algoritmo que vamos usar é muito simples: -1 * (Preço de ontem). Assim, por exemplo, se SPY aumentou 2% ontem, reduziremos o S & amp; P a uma taxa de 2%. Se o SPY aumentou no próximo dia em 3%, reduziremos a taxa de 3%. O valor em curto-circuito será ajustado para a volatilidade mais tarde, mas tudo o que é importante é que, no segundo dia, estamos reduzindo 50% mais (3/2) do que no primeiro dia.
A Figura 1 mostra os retornos diários desta estratégia. Observe que não introduzimos nenhum tipo de escala (e como tal, um retorno de 0,05 não implica necessariamente um retorno de 5%).
(Todos os dados do Yahoo Finance)
Anexo 1: Retorno diário de estratégia de reversão de curto prazo.
Esta estratégia de reversão traz consigo algumas propriedades benéficas, ou seja, de 1994 a 2017, retorna em média 0,00255 unidades por ano. Isso indica uma estratégia lucrativa. Os retornos diários cumulativos da estratégia são apresentados no Anexo 2.
Para comparar "maçãs com maçãs" no nosso algoritmo, ajustamos o desvio padrão dos retornos diários multiplicando por um fator constante (pense nisso como alavancagem ou caixa mantido na carteira), de modo que a volatilidade anual do algoritmo seja semelhante àquela do S & amp; P. Para os propósitos deste artigo, usei a volatilidade histórica realizada do S & amp; P 500, 19,6%. Se você é curioso, o fator foi de 46.655 para o algoritmo de curto prazo.
Isso foi feito tomando o desvio padrão da amostra nos últimos vinte anos do S & amp; P 500 e anualizando-o (porque o desvio padrão observado é um número diário) - produzindo 19,642%. O desvio padrão anual da estratégia de reversão (antes do ajuste da volatilidade) é de 0,042% (este número é essencialmente sem sentido, porque se eu multiplicar todos os meus sinais por uma constante eu posso mudá-lo drasticamente). Assim, 19,642% / 0,042% = 46,65.
Como uma nota rápida, isso implica que estamos comparando nossos retornos em uma base ajustada ao risco, que é uma técnica de análise muito valiosa. Os índices de Sharpe comparativos desses fluxos de retorno serão proporcionais aos retornos que calculamos.
Anexo 2: Retorno acumulado da estratégia de reversão de curto prazo, 1994-2017.
Como você pode ver, esta estratégia foi incrivelmente boa em 2008/2009, e se você olhar com atenção, esta estratégia funciona bem quando o SPY é mais volátil, e também não funciona (embora ainda seja positivo em média) quando a SPY está tranqüila. A Figura 3 mostra os retornos de SPY versus o algoritmo de reversão de curto prazo.
Anexo 3: Retornos Comparativos da Estratégia de Reversão de Curto Prazo vs. SPY, 1994-2017.
Fascinantemente, o algoritmo de Reversão de Curto Prazo superou cumulativamente o S & amp; P nos últimos 20 anos, ajudou muito pelo seu desempenho em 2007-2009 e não está correlacionado com o subjacente, SPY!
Por razões de comparação, no entanto, vamos observar o ano de 2018, quando a volatilidade foi relativamente baixa e a SPY registrou um grande retorno. Como podemos ver, a estratégia funcionou bem, mas não tão bem quanto a SPY.
Figura 4: Retornos Comparativos da Estratégia de Reversão de Curto Prazo vs. SPY, 2018.
Se vemos que uma estratégia de reversão funciona bem, vamos observar se há benefício em manter um componente momentum em um portfólio. Nós já observamos que o S & amp; P tem sido reverso no curto prazo (se invertimos os sinais de reversão média, simplesmente obtivemos os retornos inversos - em grande parte negativos), vamos testar se o momento é efetivo no longo prazo - prazo. O sinal que vamos usar agora é o retorno cumulativo dos últimos 12 meses da SPY. Então, se a SPY subiu 10% no ano passado, compraremos 10 unidades e, se fosse 15% no ano passado, compraremos 15 unidades. Observe que aqui estamos seguindo a tendência (não há nenhum fator -1 no algoritmo). Os retornos diários desta estratégia podem ser vistos na Figura 5. Podemos observar que a volatilidade dos eventos de 2008/2009 causou um efeito muito maior para a estratégia de impulso do que na estratégia de reversão. Essa estratégia retorna uma média de 0,008 unidades por ano (essas unidades ainda não podem ser comparadas com os retornos da estratégia de reversão até serem também normalizadas pela volatilidade).
Anexo 5: Retornos Diários de Estratégia de Momento a Longo Prazo.
Vamos observar os retornos acumulados de SPY, a estratégia de reversão e a estratégia de momentum.
Figura 6: Retornos Comparativos de SPY, Estratégia de Reversão e Estratégia Momentum.
A estratégia de impulso tem os retornos mais fracos do grupo, mas porque é provável que não esteja correlacionado com nossa estratégia de reversão, talvez possamos combinar a reversão & amp; estratégia de impulso para produzir retornos que diminuirão o risco de nossa carteira. Nessa nota, aqui estão as correlações históricas de 20 anos dos retornos diários dessas estratégias. Curiosamente, a reversão de curto prazo é mais correlacionada com SPY do que o impulso de longo prazo!
Anexo 7: Matriz de Correlação de SPY, Estratégia de Reversão e Estratégia Momentum.
A correlação histórica negativa entre reversão e impulso oferece um bom incentivo para combinar as estratégias de reversão e impulso para tentar servir de hedge contra o SPY.
Vamos combinar os dois algoritmos, normalizando os dois sinais e adicionando juntos. Com a nossa volatilidade normalizada, o novo sinal será (-1 * variação de preço de ontem) + (variação de preço percentual do ano passado). Esta estratégia tem um componente de reversão de curto prazo e um componente de impulso de longo prazo, e seus retornos em relação ao S & amp; P são muito melhores!
Figura 8: Retornos Comparativos de 50/50 Reversão & amp; Momentum Portfolio versus SPY.
Para colocar isso em perspectiva, um investidor que investiu US $ 10.000 em SPY em 1/1/1994 teria cerca de US $ 55.105 e um investidor que investiu US $ 10.000 em Reversão / Momento teria cerca de US $ 61.526, ou cerca de 12% de desempenho nos últimos 20 anos. Claro, isso não é levado em consideração custos de negociação (o que pode ser bastante elevado) ou o fato de que o desempenho da estratégia em 2008 e 2009 representa uma grande parcela dos retornos.
Para comparar melhor as estratégias passivas e ativas, no entanto, é importante considerar os efeitos dos custos de negociação. Se assumirmos um 1/10 de ponto base por comércio (US $ 1 em custos de negociação por cada $ 100,000 em ativos), um investidor perderá 507,3 pontos base ao longo do período de 20 anos ou um alfa perdido de 5%. Dependendo da estrutura da conta de corretagem que um investidor usa, no entanto, a estratégia de reversão de impulso de 50/50 pode ser mais barata do que a estratégia de reversão porque seria menos comercializada. Além disso, adicionar um elemento de longa exposição passiva reduzirá os custos de negociação.
Há evidências evidentes de que um investidor poderia se beneficiar com a introdução de fluxos de retorno não correlacionados para manter passivamente a SPY.
Divulgação: eu sou curto SPY. Eu escrevi este artigo, e ele expressa minhas próprias opiniões. Não estou recebendo compensação por isso (além da Seeking Alpha). Não tenho nenhum relacionamento comercial com nenhuma empresa cujo estoque é mencionado neste artigo.
Divulgação adicional: Eu sou curto SPY como um hedge para as posições longas no meu portfólio.
Este artigo é apenas para membros PRO!
Acesse este artigo e 15.000 artigos PRO exclusivos de US $ 200 / m.
Interessado em atualizar para o PRO?
Reserve um compromisso com um Gerente de Contas PRO para ver se o PRO é ideal para você.
Python Mean Reversion Backtest para ETFs.
Python Mean Reversion Backtest para ETFs & # 8230;
Procurei usar o Python para criar um script de teste de resposta para testar as estratégias de reversão média com base em pares ETF cointegrados. Descrevi o processo na minha cabeça em vários estágios, cada um dos quais formará a base das minhas próximas postagens de blog. Eu não sei quantos vou ter que dividir o & # 8220; shebang & # 8221; Em todo, mas aqui é o esboço básico.
1) Crie um banco de dados SQLite3, que irá conter dados ETF para que Tickers seja facilmente puxado para o programa principal de backtest, com base em uma consulta SQL definida pelo usuário. Eu quero que o banco de dados segure informações sobre o ticker do fundo, obviamente, mas também quer uma série de outras informações descritivas sobre região geográfica, títulos subjacentes e foco de indústria / ativos para citar alguns. Isso me permitirá executar o backtest principal, com base em tickers que atendam aos meus requisitos para esse backtest específico. Os pares co-integrados geralmente são co-integrados por razões economicamente válidas; Ser capaz de recusar tickers com base em critérios como a classe de ativos e a indústria de ETF subjacentes espero que eu permita identificar pares ETF que são mais propensos a exibir um relacionamento co-integrado.
2) Escreva o script que realmente raspa os dados relevantes de um site baseado em informações ETF e o armazena no meu banco de dados criado anteriormente. Para isso, vou usar o módulo Pandas, uma vez que possui uma capacidade incorporada de ler e analisar html, convertendo o html puro em um Pandas DataFrame, que podemos então carregar facilmente no banco de dados.
3) Em seguida, vem o tempo de "carne e batatas" # 8221; & # 8230; tempo para escrever o próprio programa de back-back. Eu irei procurar em primeiro lugar, crie um & # 8220; válido & # 8221; backtest com base no conceito de negociação do spread entre os pares ETF cointegrados, como mencionado anteriormente. Isso implicará algumas partes de trabalho distintas. Em primeiro lugar, precisamos baixar os dados do ticker ETF relevantes do banco de dados que criamos anteriormente e, em seguida, crie uma lista de pares de tickers fora dessa única lista de tickers, que podemos alimentar a função backtest para funcionar. .
4) Então precisamos executar uma regressão nos dados de preço entre o par para calcular a razão de hedge # 82221 ;, que usaremos para gerar o spread correto entre os preços. Esta propagação será submetida a uma série de testes para descobrir se ele exibe propriedades de reversão de média estatisticamente significantes. Isso nos envolverá com testes co-integrados de Dickey-Fuller aumentados e calculando o expoente de Hurst e a "semi-vida" # 8221; da série entre outras coisas.
5) Uma vez que identificamos se a série de propagação é significante reverter, podemos então executar uma prova de retorno com base em uma & # 8220; Bollinger banda & # 8221; sistema de estilo onde as entradas e saídas são determinadas pela divergência e convergência de uma dispersão normalizada & # 8201 ;, calculada como o desvio da propagação a partir da média, dividida pelo desvio padrão do próprio spread.
6) Em seguida, armazenamos os retornos da estratégia de pares particulares e traçamos a curva de equivalência resultante. Também aproveitaremos a oportunidade para calcular alguns indicadores de desempenho chave e exibi-los em cada gráfico. Todas essas informações serão exibidas, antes que o script guarde e teste o próximo par de tickers ETF mantidos em nossa lista de pares de ticker.
Agora eu posso prometer que obteremos algum tipo de código de trabalho no final de tudo isso # 8230; mas eu definitivamente não posso prometer que será bonito! Como já indiquei anteriormente, estou em uma viagem de aprendizado aqui, então às vezes eu lutei com escrever código bonito, que tudo funciona de forma impecável. Muitas vezes me demora mais do que alguns na mesma coisa, antes de eu realmente conseguir algo que faz o que é que eu quero que ele faça. Então, fique comigo, por favor & # 8230 ;!
Eu tentarei obter a próxima postagem no blog nos próximos dias com a primeira e segunda parte do processo descrito acima. Te vejo em breve!
Estratégia de reversão média etf
Na semana passada, discuti em grande detalhe uma das minhas estratégias de opções favoritas, a propagação do urso se espalhou. Eu também falei sobre a minha abordagem para suportar chamadas se espalhar com grande detalhe durante o meu último webinar. Clique aqui para assistir.
Então, com isso dito, não vou examinar os fundamentos da estratégia. Em vez disso, eu quero cavar ainda mais na estratégia, discutindo uma oportunidade comercial potencial.
Como você pode ver no quadro SPDR Gold Shares (NYSEArca: GLD) abaixo, o fundo GLD empurrou significativamente mais alto nas últimas semanas. Como resultado, o RSI (2) e o RSI (5) estão em um estado de "overbought".
Quando ocorre este tipo de movimento a curto prazo, a reversão média - a tendência de um estoque retornar ao seu preço médio - geralmente chuta. Neste caso, o GLD moveu vários desvios padrão para longe da média.
Pense em um "pouco sobreprecisado" em termos da curva padrão do sino. Quando algo é "muito sobrecompra", moveu-se para as franjas exteriores da curva.
Havia apenas uma chance de 4.79% de que a GLD iria empurrar para onde está negociando agora. O mercado de opções, conforme observado na cadeia de opções para GLD abaixo, afirmou que houve uma probabilidade de sucesso de 95,21% que a GLD fecharia em 15 de outubro abaixo de US $ 113,50.
Então, sabemos que o movimento é um pouco de uma anomalia.
Quando um movimento como este ocorre e vemos o RSI pressionar para "níveis muito sobrebiscados", eu imediatamente quero desvanecer o movimento direcional. Quando eu fadei de um movimento - neste caso, um movimento de alta - eu espero um adiamento de curto prazo no preço subjacente. O preço poderia se mover mais baixo, trocar de lado ou simplesmente avançar lentamente mais alto. Eu só espero que as leis da reversão média sejam iniciadas.
Mas eu aumento as minhas chances de pote envolvendo uma estratégia de alta probabilidade em torno do comércio. Em vez de tomar um viés direcional e simplesmente comprar puts, eu quero vender chamadas, mais especificamente suportar spreads de chamadas.
Neste caso, uma vez que a GLD atualmente está negociando por US $ 113,81, eu quero vender uma ligação em uma greve mais alta. Mas que greve? Eu sempre começo minha busca com a greve que tem uma probabilidade de sucesso de 80%. O que isso significa é que, no vencimento em 37 dias, há 80% de chances de que a GLD feche abaixo dessa greve.
Como você pode ver nas cadeias de opções acima, o ataque 119 atende aos meus requisitos.
Podemos vender a greve de chamadas 119 e comprar a greve 121 por um crédito líquido de US $ 0,27. Para encontrar o crédito, pegue o preço da oferta do ataque 119 que vendemos (US $ 0,88) e subtrai o preço de venda da 121 greve que compramos (US $ 0,61).
Nosso retorno sobre o comércio: 15,6%.
Basicamente, enquanto a GLD ficar abaixo do nosso ataque curto no vencimento, colheremos todo o prêmio de 15,6%. Existe uma probabilidade de sucesso de 78,48% de que o preço da GLD permanecerá abaixo do nosso acerto de chamadas curtas de US $ 119 no vencimento em 37 dias.
Mas não esqueça, estamos envolvendo um comércio de curto prazo de alta probabilidade em um ETF que já empurrou para uma leitura "muito sobrecomprada". Isso aumenta nossas probabilidades de pote no comércio muito mais e é por isso que eu não estou fazendo negócios a qualquer outro dia. É uma abordagem metódica e paciente.
Tag Archives: reversão média.
& # 8220; What Goes Up, Must Down Down & # 8221;
A atualização da ETF da MarketsMuse é cortesia de uma publicação comercial especial enviada esta tarde aos assinantes do & # 8220; Sight Beyond Sight & # 8221 ;, o boletim de comércio macro global publicado pela Rareview Macro LLC e autoria de Neil Azous. O alerta comercial também foi postado no Twitter via @RareviewMacro. Para aqueles que não estão familiarizados com o conceito de reversão média, a metáfora mais simples que conduz a seguinte tese é & # 8220; o que sobe deve descer. & # 8221;
Neil Azous, Rareview Macro.
Conforme destacado na edição desta manhã da Sight Beyond Sight, a proporção do iShares US Real Estate ETF (IYR) e do Setor de Setores de serviços públicos SPDR Fund para SPDR S & P 500 ETF Trust (SPY) agora está sendo negociada em aproximadamente dois desvios padrão da sua linha de regressão, uma vez que as taxas de juros dos EUA atingiram o pico em setembro de 2018.
Pouco tempo atrás, no modelo de carteira, iniciamos uma nova estratégia de reversão média em ambos os índices.
Especificamente, estamos comprando US $ 10 milhões nocionais de cada IYR e XLU, e vendendo US $ 20 milhões nocionais da SPY no resto de hoje no VWAP.
Amanhã, de acordo com os resultados do Relatório do Trabalho dos EUA, adicionaremos um valor adicional de US $ 10 milhões ao IYR e XLU, e venderemos US $ 20 milhões nocionais da SPY pela manhã.
Abaixo está uma matriz de tese e comércio com um plano de jogo pré-definido para ganhos e perdas. Continue lendo & rarr;
Compartilhar isso:
TOP CLICKS.
Postagens recentes.
Prêmio Bitcoin Barista do Dia: BnkToTheFuture 3 de janeiro de 2018 Crypto Hedge Funds: Greenwich Crowd Comprar em Bitcoin Trading 20 de dezembro de 2017 Outro Jock de Quantos Estilo Velhos Adquira Investimento Passivo ETF-Style 13 de novembro de 2017.
Categorias.
TOP CLICKS.
Postagens recentes.
Prêmio Bitcoin Barista do Dia: BnkToTheFuture 3 de janeiro de 2018 Crypto Hedge Funds: Greenwich Crowd Comprar em Bitcoin Trading 20 de dezembro de 2017 Outro Jock de Quantos Estilo Velhos Adquira Investimento Passivo ETF-Style 13 de novembro de 2017.
Categorias.
Notícias atualizadas de ETF, mercado de opções, estratégia macro global, renda fixa e FinTech.
Construindo um Momento Sistemático / Estratégia de Reversão Média com SPY.
27 de fevereiro de 2017 1:05 PM • espião.
Os últimos trinta anos de academia financeira fizeram um bom trabalho na construção de carteiras ótimas com base em coisas como retorno esperado, variância e correlações. Eu vou destacar uma maneira de aumentar os retornos ajustados pelo risco usando estratégias sistemáticas longas / curtas em um ticker individual. Nós vamos usar o SPDR S & amp; P 500 ETF (NYSEARCA: SPY) aqui por sua liquidez preferível (e, portanto, custo de empréstimos mais barato), sua familiaridade e sua diversificação implícita (porque é um ETF e não, digamos, um indivíduo nome que teria um grande termo de erro de anúncios de ganhos, etc.).
Nós vamos construir algoritmos muito simples que usam apenas uma entrada no preço da segurança. Para aqueles que não são familiares (ou se o algoritmo é uma palavra assustadora), tudo o que vamos fazer é chegar a uma "regra" sistemática (sem insumos do comerciante / investidor) para negociar a segurança. O algoritmo que vamos usar é muito simples: -1 * (Preço de ontem). Assim, por exemplo, se SPY aumentou 2% ontem, reduziremos o S & amp; P a uma taxa de 2%. Se o SPY aumentou no próximo dia em 3%, reduziremos a taxa de 3%. O valor em curto-circuito será ajustado para a volatilidade mais tarde, mas tudo o que é importante é que, no segundo dia, estamos reduzindo 50% mais (3/2) do que no primeiro dia.
A Figura 1 mostra os retornos diários desta estratégia. Observe que não introduzimos nenhum tipo de escala (e como tal, um retorno de 0,05 não implica necessariamente um retorno de 5%).
(Todos os dados do Yahoo Finance)
Anexo 1: Retorno diário de estratégia de reversão de curto prazo.
Esta estratégia de reversão traz consigo algumas propriedades benéficas, ou seja, de 1994 a 2017, retorna em média 0,00255 unidades por ano. Isso indica uma estratégia lucrativa. Os retornos diários cumulativos da estratégia são apresentados no Anexo 2.
Para comparar "maçãs com maçãs" no nosso algoritmo, ajustamos o desvio padrão dos retornos diários multiplicando por um fator constante (pense nisso como alavancagem ou caixa mantido na carteira), de modo que a volatilidade anual do algoritmo seja semelhante àquela do S & amp; P. Para os propósitos deste artigo, usei a volatilidade histórica realizada do S & amp; P 500, 19,6%. Se você é curioso, o fator foi de 46.655 para o algoritmo de curto prazo.
Isso foi feito tomando o desvio padrão da amostra nos últimos vinte anos do S & amp; P 500 e anualizando-o (porque o desvio padrão observado é um número diário) - produzindo 19,642%. O desvio padrão anual da estratégia de reversão (antes do ajuste da volatilidade) é de 0,042% (este número é essencialmente sem sentido, porque se eu multiplicar todos os meus sinais por uma constante eu posso mudá-lo drasticamente). Assim, 19,642% / 0,042% = 46,65.
Como uma nota rápida, isso implica que estamos comparando nossos retornos em uma base ajustada ao risco, que é uma técnica de análise muito valiosa. Os índices de Sharpe comparativos desses fluxos de retorno serão proporcionais aos retornos que calculamos.
Anexo 2: Retorno acumulado da estratégia de reversão de curto prazo, 1994-2017.
Como você pode ver, esta estratégia foi incrivelmente boa em 2008/2009, e se você olhar com atenção, esta estratégia funciona bem quando o SPY é mais volátil, e também não funciona (embora ainda seja positivo em média) quando a SPY está tranqüila. A Figura 3 mostra os retornos de SPY versus o algoritmo de reversão de curto prazo.
Anexo 3: Retornos Comparativos da Estratégia de Reversão de Curto Prazo vs. SPY, 1994-2017.
Fascinantemente, o algoritmo de Reversão de Curto Prazo superou cumulativamente o S & amp; P nos últimos 20 anos, ajudou muito pelo seu desempenho em 2007-2009 e não está correlacionado com o subjacente, SPY!
Por razões de comparação, no entanto, vamos observar o ano de 2018, quando a volatilidade foi relativamente baixa e a SPY registrou um grande retorno. Como podemos ver, a estratégia funcionou bem, mas não tão bem quanto a SPY.
Figura 4: Retornos Comparativos da Estratégia de Reversão de Curto Prazo vs. SPY, 2018.
Se vemos que uma estratégia de reversão funciona bem, vamos observar se há benefício em manter um componente momentum em um portfólio. Nós já observamos que o S & amp; P tem sido reverso no curto prazo (se invertimos os sinais de reversão média, simplesmente obtivemos os retornos inversos - em grande parte negativos), vamos testar se o momento é efetivo no longo prazo - prazo. O sinal que vamos usar agora é o retorno cumulativo dos últimos 12 meses da SPY. Então, se a SPY subiu 10% no ano passado, compraremos 10 unidades e, se fosse 15% no ano passado, compraremos 15 unidades. Observe que aqui estamos seguindo a tendência (não há nenhum fator -1 no algoritmo). Os retornos diários desta estratégia podem ser vistos na Figura 5. Podemos observar que a volatilidade dos eventos de 2008/2009 causou um efeito muito maior para a estratégia de impulso do que na estratégia de reversão. Essa estratégia retorna uma média de 0,008 unidades por ano (essas unidades ainda não podem ser comparadas com os retornos da estratégia de reversão até serem também normalizadas pela volatilidade).
Anexo 5: Retornos Diários de Estratégia de Momento a Longo Prazo.
Vamos observar os retornos acumulados de SPY, a estratégia de reversão e a estratégia de momentum.
Figura 6: Retornos Comparativos de SPY, Estratégia de Reversão e Estratégia Momentum.
A estratégia de impulso tem os retornos mais fracos do grupo, mas porque é provável que não esteja correlacionado com nossa estratégia de reversão, talvez possamos combinar a reversão & amp; estratégia de impulso para produzir retornos que diminuirão o risco de nossa carteira. Nessa nota, aqui estão as correlações históricas de 20 anos dos retornos diários dessas estratégias. Curiosamente, a reversão de curto prazo é mais correlacionada com SPY do que o impulso de longo prazo!
Anexo 7: Matriz de Correlação de SPY, Estratégia de Reversão e Estratégia Momentum.
A correlação histórica negativa entre reversão e impulso oferece um bom incentivo para combinar as estratégias de reversão e impulso para tentar servir de hedge contra o SPY.
Vamos combinar os dois algoritmos, normalizando os dois sinais e adicionando juntos. Com a nossa volatilidade normalizada, o novo sinal será (-1 * variação de preço de ontem) + (variação de preço percentual do ano passado). Esta estratégia tem um componente de reversão de curto prazo e um componente de impulso de longo prazo, e seus retornos em relação ao S & amp; P são muito melhores!
Figura 8: Retornos Comparativos de 50/50 Reversão & amp; Momentum Portfolio versus SPY.
Para colocar isso em perspectiva, um investidor que investiu US $ 10.000 em SPY em 1/1/1994 teria cerca de US $ 55.105 e um investidor que investiu US $ 10.000 em Reversão / Momento teria cerca de US $ 61.526, ou cerca de 12% de desempenho nos últimos 20 anos. Claro, isso não é levado em consideração custos de negociação (o que pode ser bastante elevado) ou o fato de que o desempenho da estratégia em 2008 e 2009 representa uma grande parcela dos retornos.
Para comparar melhor as estratégias passivas e ativas, no entanto, é importante considerar os efeitos dos custos de negociação. Se assumirmos um 1/10 de ponto base por comércio (US $ 1 em custos de negociação por cada $ 100,000 em ativos), um investidor perderá 507,3 pontos base ao longo do período de 20 anos ou um alfa perdido de 5%. Dependendo da estrutura da conta de corretagem que um investidor usa, no entanto, a estratégia de reversão de impulso de 50/50 pode ser mais barata do que a estratégia de reversão porque seria menos comercializada. Além disso, adicionar um elemento de longa exposição passiva reduzirá os custos de negociação.
Há evidências evidentes de que um investidor poderia se beneficiar com a introdução de fluxos de retorno não correlacionados para manter passivamente a SPY.
Divulgação: eu sou curto SPY. Eu escrevi este artigo, e ele expressa minhas próprias opiniões. Não estou recebendo compensação por isso (além da Seeking Alpha). Não tenho nenhum relacionamento comercial com nenhuma empresa cujo estoque é mencionado neste artigo.
Divulgação adicional: Eu sou curto SPY como um hedge para as posições longas no meu portfólio.
Este artigo é apenas para membros PRO!
Acesse este artigo e 15.000 artigos PRO exclusivos de US $ 200 / m.
Interessado em atualizar para o PRO?
Reserve um compromisso com um Gerente de Contas PRO para ver se o PRO é ideal para você.
Python Mean Reversion Backtest para ETFs.
Python Mean Reversion Backtest para ETFs & # 8230;
Procurei usar o Python para criar um script de teste de resposta para testar as estratégias de reversão média com base em pares ETF cointegrados. Descrevi o processo na minha cabeça em vários estágios, cada um dos quais formará a base das minhas próximas postagens de blog. Eu não sei quantos vou ter que dividir o & # 8220; shebang & # 8221; Em todo, mas aqui é o esboço básico.
1) Crie um banco de dados SQLite3, que irá conter dados ETF para que Tickers seja facilmente puxado para o programa principal de backtest, com base em uma consulta SQL definida pelo usuário. Eu quero que o banco de dados segure informações sobre o ticker do fundo, obviamente, mas também quer uma série de outras informações descritivas sobre região geográfica, títulos subjacentes e foco de indústria / ativos para citar alguns. Isso me permitirá executar o backtest principal, com base em tickers que atendam aos meus requisitos para esse backtest específico. Os pares co-integrados geralmente são co-integrados por razões economicamente válidas; Ser capaz de recusar tickers com base em critérios como a classe de ativos e a indústria de ETF subjacentes espero que eu permita identificar pares ETF que são mais propensos a exibir um relacionamento co-integrado.
2) Escreva o script que realmente raspa os dados relevantes de um site baseado em informações ETF e o armazena no meu banco de dados criado anteriormente. Para isso, vou usar o módulo Pandas, uma vez que possui uma capacidade incorporada de ler e analisar html, convertendo o html puro em um Pandas DataFrame, que podemos então carregar facilmente no banco de dados.
3) Em seguida, vem o tempo de "carne e batatas" # 8221; & # 8230; tempo para escrever o próprio programa de back-back. Eu irei procurar em primeiro lugar, crie um & # 8220; válido & # 8221; backtest com base no conceito de negociação do spread entre os pares ETF cointegrados, como mencionado anteriormente. Isso implicará algumas partes de trabalho distintas. Em primeiro lugar, precisamos baixar os dados do ticker ETF relevantes do banco de dados que criamos anteriormente e, em seguida, crie uma lista de pares de tickers fora dessa única lista de tickers, que podemos alimentar a função backtest para funcionar. .
4) Então precisamos executar uma regressão nos dados de preço entre o par para calcular a razão de hedge # 82221 ;, que usaremos para gerar o spread correto entre os preços. Esta propagação será submetida a uma série de testes para descobrir se ele exibe propriedades de reversão de média estatisticamente significantes. Isso nos envolverá com testes co-integrados de Dickey-Fuller aumentados e calculando o expoente de Hurst e a "semi-vida" # 8221; da série entre outras coisas.
5) Uma vez que identificamos se a série de propagação é significante reverter, podemos então executar uma prova de retorno com base em uma & # 8220; Bollinger banda & # 8221; sistema de estilo onde as entradas e saídas são determinadas pela divergência e convergência de uma dispersão normalizada & # 8201 ;, calculada como o desvio da propagação a partir da média, dividida pelo desvio padrão do próprio spread.
6) Em seguida, armazenamos os retornos da estratégia de pares particulares e traçamos a curva de equivalência resultante. Também aproveitaremos a oportunidade para calcular alguns indicadores de desempenho chave e exibi-los em cada gráfico. Todas essas informações serão exibidas, antes que o script guarde e teste o próximo par de tickers ETF mantidos em nossa lista de pares de ticker.
Agora eu posso prometer que obteremos algum tipo de código de trabalho no final de tudo isso # 8230; mas eu definitivamente não posso prometer que será bonito! Como já indiquei anteriormente, estou em uma viagem de aprendizado aqui, então às vezes eu lutei com escrever código bonito, que tudo funciona de forma impecável. Muitas vezes me demora mais do que alguns na mesma coisa, antes de eu realmente conseguir algo que faz o que é que eu quero que ele faça. Então, fique comigo, por favor & # 8230 ;!
Eu tentarei obter a próxima postagem no blog nos próximos dias com a primeira e segunda parte do processo descrito acima. Te vejo em breve!
Comments
Post a Comment