การประเมินผล ของ คู่ ค้า กลยุทธ์ -at- บราซิล ทางการเงิน ในตลาด

การประเมินผล ของ คู่ ค้า กลยุทธ์ -at- บราซิล ทางการเงิน ในตลาด

เกี่ยวกับ -forex- ตลาด รูปแบบไฟล์ PDF
Forex   ตลาด ปริมาณ   2013
Binary   ตัวเลือก -trading- คู่มือ


Fx- ตัวเลือก การฝึกอบรม หลักสูตร Bollinger วง หุ้น วิเคราะห์ Forex- ซื้อ บังกาลอร์ Binary ตัวเลือก ที่มี ต่ำ ขั้นต่ำ เงินฝาก Forexpf อ้าง แสดง วัน ซื้อขาย strategies- ( โมเมนตัม ) เผื่อ ผู้เริ่มต้น

การประเมินกลยุทธ์การซื้อขายคู่ในตลาดการเงินของบราซิลบทคัดย่อ: การซื้อขายคู่เป็นกลยุทธ์ทางการค้าที่เป็นที่นิยมซึ่งใช้ประโยชน์จากความไร้ประสิทธิภาพของตลาดในการทำกำไร ความคิดเป็นเรื่องง่าย: หาหุ้นสองตัวที่เคลื่อนที่ร่วมกันและใช้ตำแหน่ง longshort เมื่อพวกเขาแตกต่างกันอย่างผิดปกติหวังว่าราคาจะมาบรรจบกันในอนาคต จากมุมมองเชิงวิชาการของทฤษฎีประสิทธิภาพของตลาดที่อ่อนแอกลยุทธ์การซื้อขายคู่ไม่ควรมีผลประกอบการที่ดีเนื่องจากตามจริงราคาหุ้นสะท้อนถึงข้อมูลการซื้อขายที่ผ่านมาซึ่งรวมถึงราคาในอดีต วัตถุประสงค์หลักของการวิจัยนี้คือเพื่อตรวจสอบประสิทธิภาพและความเสี่ยงของการซื้อขายคู่ในตลาดการเงินของบราซิลสำหรับความถี่ที่แตกต่างกันของฐานข้อมูลรายวันรายสัปดาห์และ ราคารายเดือนสำหรับช่วงเวลาเดียวกัน ข้อสรุปหลักของการจำลองนี้คือกลยุทธ์การซื้อขายคู่เป็นกลยุทธ์ที่เป็นประโยชน์และเป็นกลางในตลาดของบราซิล การทำกำไรดังกล่าวสอดคล้องกับภูมิภาคของพารามิเตอร์ยุทธศาสตร์ พบผลลัพธ์ที่ดีที่สุดสำหรับความถี่สูงสุด (รายวัน) ซึ่งเป็นผลที่ใช้งานง่าย รายการที่เกี่ยวข้อง: รายการนี้อาจมีอยู่ในที่อื่น ๆ ใน EconPapers: ค้นหารายการที่มีชื่อเดียวกัน การอ้างอิงการส่งออก: BibTeX RIS (EndNote, ProCite, RefMan) HTMLText เอกสารเพิ่มเติมใน MPRA กระดาษจากห้องสมุดมหาวิทยาลัยมิวนิคประเทศเยอรมนี Ludwigstrae 33, D-80539 มิวนิคประเทศเยอรมนี ข้อมูลการติดต่อที่ EDIRC ข้อมูลชุดข้อมูลที่จัดทำโดย Joachim Winter () ไซต์นี้เป็นส่วนหนึ่งของ RePEc และข้อมูลทั้งหมดที่แสดงที่นี่เป็นส่วนหนึ่งของชุดข้อมูล RePEc งานของคุณหายไปจาก RePEc ต่อไปนี้เป็นวิธีการบริจาค คำถามหรือคำถามเกี่ยวกับคำถามที่พบบ่อยตรวจสอบคำถามที่พบบ่อยเกี่ยวกับ EconPapers FAQ หรือส่งอีเมลไปที่การประเมินกลยุทธ์การซื้อขายคู่ที่ตลาดการเงินของบราซิล ANDERSON, K. BROOKS, C. (2006) การแจกแจงรายได้ - อัตราส่วนกำไร -, วารสารการบริหารสินทรัพย์, v. 6, p. . 456-469 BALSARA, N. ZHENG, L. (2006) การทำกำไรจากผู้ชนะและผู้แพ้ในอดีตวารสารการจัดการสินทรัพย์ V.6, p. 329-344 BROOKS, C. KATSARIS, A. PERSAND, G. (2005) เวลาคือทุกสิ่งทุกอย่าง: การเปรียบเทียบและการประเมินผลกลยุทธ์การกำหนดจังหวะการตลาด, เอกสารการทำงาน, เผยแพร่โดย SSRN: ssrnabstract834485 CHEN, A. LEUNG, M. T. DAOUK, H. (2003) การประยุกต์ใช้เครือข่ายประสาทเทียมกับตลาดการเงินใหม่: การคาดการณ์และการซื้อขายดัชนีสต็อกของไต้หวัน แอ็พพลิเคชันการวิจัยคอมพิวเตอร์, v. 30, p. 901923 DIMSON, E. MUSSAVIAN, M. (1998) ประวัติย่อเกี่ยวกับประสิทธิภาพของตลาด European Financial Management, v. 4, หน้า 91-193 DUEKER, M. J. NEELY, C. J. (2006) โมเดลการเปลี่ยนแบบ Markov สามารถทำนายผลตอบแทนจากอัตราแลกเปลี่ยนเงินตราต่างประเทศที่มากเกินไป, เอกสารการทำงาน, Federal Reserve Bank of St. Louis EFETKHARI, B. (1997) รูปแบบการเปลี่ยนรูปแบบ Markov เป็นเครื่องมือทางการค้า, เอกสารการทำงาน, มหาวิทยาลัยเคมบริดจ์ FAMA, E. (1991) ตลาดทุนที่มีประสิทธิภาพ: II, Journal of Finance, v. 46, หน้า 1575-1617 FAMA, E. FRENCH, K. (1992) ส่วนข้ามของผลตอบแทนของหุ้นที่คาดว่าจะ, วารสารการเงิน, โวลต์ 47 (2), หน้า 427-465 FERNNDEZ-RODRGUEZ, F. RIVERO, S. S. FELIX, J. A. (2002) การคาดคะเนเพื่อนบ้านที่ใกล้ที่สุดในตลาดแลกเปลี่ยนเงินตราต่างประเทศ, เอกสารการทำงาน, n. 05, FEDEA FERNNDEZ-RODRGUEZ, F. SOSVILLA-RIVERO, S. GARCA-ARTILES, M. (1997) การใช้เพื่อนบ้านที่ใกล้ที่สุดทำนายการคาดการณ์ตลาดหุ้นสเปน, Investigaciones Econmicas, v. 21, p. 75-91 FERNNDEZ-RODRGUEZ F. SOSVILLA-RIVERO, S. GARCA-ARTILES, M. (2001) การประเมินเชิงประจักษ์ของกฎการซื้อขายที่ไม่ใช่เชิงเส้น, เอกสารการทำงาน, n. 16 FEDEA FRENCH, K. (1980) ผลตอบแทนจากสต๊อกและผลกระทบสุดสัปดาห์, วารสารเศรษฐศาสตร์การเงิน, มีนาคม, หน้า 55-69 GATEV, E. GOETZMANN, W. N. ROUWENHORST, K. G. (1999) การซื้อขายคู่: การดำเนินการตามกฎการโต้แย้งค่านิยมญาติ, เอกสารการทำงาน, โรงเรียนบริหารของ Yale มีที่ SSRN: ssrnabstract141615 MURPHY, J. (1999) การวิเคราะห์ทางเทคนิคของตลาดการเงิน New York Institute of Finance, New York NATH, P. (2003) การซื้อขายคู่กับ High Frequency กับ บริษัท ธนารักษ์สหรัฐฯ: ความเสี่ยงและรางวัลสำหรับกองทุน Hedge, Working Paper, London Business School PARK, C. IRWIN, C. (2004) ความสามารถในการทำกำไรของการวิเคราะห์ทางเทคนิค: การทบทวน รายงานการวิจัยโครงการ AgMAS n. 04. PERLIN, M. S. (2006) การสร้างแบบจำลองที่ไม่เป็นตัวแปรในละตินอเมริกาที่สำคัญดัชนีตลาด: การวิเคราะห์ผลการดำเนินงานจากอัลกอริธึมเพื่อนบ้านที่ใกล้ที่สุดในกลยุทธ์การซื้อขาย, BALAS Conference, LimaPeru SIGANOS, A. CHELLEY-STEELEY, P. (2006) ผลกำไรที่เกิดขึ้นหลังจากตลาด Bull and Bear Markets, วารสารการบริหารสินทรัพย์, วี 6, หน้า 381-388 VIDYAMURTHY, G. (2004) การค้าคู่: วิธีการเชิงปริมาณและการวิเคราะห์, John Wiley amp Sons การประเมินกลยุทธ์การซื้อขายคู่ที่ตลาดการเงินของบราซิลการซื้อขายคู่เป็นกลยุทธ์ทางการค้าที่เป็นที่นิยมซึ่งพยายามใช้ประโยชน์จากความไร้ประสิทธิภาพของตลาดเพื่อที่จะ ได้กำไร ความคิดเป็นเรื่องง่าย: หาหุ้นสองตัวที่เคลื่อนที่ร่วมกันและใช้ตำแหน่ง longshort เมื่อพวกเขาแตกต่างกันอย่างผิดปกติหวังว่าราคาจะมาบรรจบกันในอนาคต จากมุมมองเชิงวิชาการของทฤษฎีประสิทธิภาพของตลาดที่อ่อนแอกลยุทธ์การซื้อขายคู่ค้าไม่ควรมีผลประกอบการที่ดีเนื่องจากราคาของหุ้นที่เกิดขึ้นจริงสะท้อนถึงข้อมูลการซื้อขายในอดีตซึ่งรวมถึงราคาในอดีต วัตถุประสงค์หลักของการวิจัยนี้คือเพื่อตรวจสอบประสิทธิภาพและความเสี่ยงของการซื้อขายคู่ในตลาดการเงินของบราซิลสำหรับความถี่ที่แตกต่างกันของฐานข้อมูล: รายวัน, ราคารายสัปดาห์และรายเดือนสำหรับช่วงเวลาเดียวกัน ข้อสรุปหลักของการจำลองนี้คือกลยุทธ์การซื้อขายคู่เป็นกลยุทธ์ที่ทำกำไรได้และไม่เป็นตลาดในตลาดบราซิล การทำกำไรดังกล่าวสอดคล้องกับภูมิภาคของพารามิเตอร์ยุทธศาสตร์ ผลการค้นหาที่ดีที่สุดคือความถี่สูงสุด (รายวัน) ซึ่งเป็นผลที่ใช้งานได้ง่ายวารสารการค้าตราสารอนุพันธ์ Hedge Funds (2009) 15, 1228211136. doi: 10.1057jdhf.2009.4 ประเภทเอกสาร: Research Article วันที่ตีพิมพ์: 1 2009 แบ่งปันเนื้อหาการเข้าถึงคีย์เนื้อหาฟรีเนื้อหาบางส่วนฟรีเนื้อหาใหม่เปิดเนื้อหาการเข้าถึงเนื้อหาบางส่วนที่เปิดอยู่เนื้อหาที่สมัครเป็นสมาชิกเนื้อหาบางส่วนที่สมัครเป็นสมาชิกเนื้อหาทดลองใช้ฟรีเรียกดูตามชื่อเรียกดูตามชื่อเรื่อง Browse by Publisher ค้นหาขั้นสูงเกี่ยวกับเรานักวิจัยบรรณารักษ์สำนักพิมพ์ชื่อใหม่แนะนำช่วยเหลือติดต่อเราเว็บไซต์ copy 201enta Ingenta ลิขสิทธิ์บทความยังคงอยู่กับผู้เผยแพร่สังคมหรือผู้แต่งตามที่ระบุไว้ในบทความ นโยบายคุกกี้เว็บไซต์ Ingenta Connect ใช้คุกกี้เพื่อติดตามข้อมูลที่คุณได้กรอกข้อมูลไว้ I am Happy with this ค้นหาข้อมูลเพิ่มเติมการประเมินกลยุทธ์การซื้อขายคู่ที่ตลาดการเงินบราซิลอ้างถึงบทความนี้: Perlin, M. J Deriv Hedge Funds (2009) 15: 122. doi: 10.1057jdhf.2009.4 การซื้อขายคู่เป็นกลยุทธ์ทางการค้าที่เป็นที่นิยมซึ่งใช้ประโยชน์จากความไม่มีประสิทธิภาพของตลาดในการทำกำไร ความคิดเป็นเรื่องง่าย: หาหุ้นสองตัวที่เคลื่อนที่ร่วมกันและใช้ตำแหน่ง longshort เมื่อพวกเขาแตกต่างกันอย่างผิดปกติหวังว่าราคาจะมาบรรจบกันในอนาคต จากมุมมองเชิงวิชาการของทฤษฎีประสิทธิภาพของตลาดที่อ่อนแอกลยุทธ์การซื้อขายคู่ค้าไม่ควรมีผลประกอบการที่ดีเนื่องจากราคาของหุ้นที่เกิดขึ้นจริงสะท้อนถึงข้อมูลการซื้อขายในอดีตซึ่งรวมถึงราคาในอดีต วัตถุประสงค์หลักของการวิจัยนี้คือเพื่อตรวจสอบประสิทธิภาพและความเสี่ยงของการซื้อขายคู่ในตลาดการเงินของบราซิลสำหรับความถี่ที่แตกต่างกันของฐานข้อมูล: รายวัน, ราคารายสัปดาห์และรายเดือนสำหรับช่วงเวลาเดียวกัน ข้อสรุปหลักของการจำลองนี้คือกลยุทธ์การซื้อขายคู่เป็นกลยุทธ์ที่ทำกำไรได้และไม่เป็นตลาดในตลาดบราซิล การทำกำไรดังกล่าวสอดคล้องกับภูมิภาคของพารามิเตอร์ยุทธศาสตร์ พบผลลัพธ์ที่ดีที่สุดสำหรับความถี่สูงสุด (รายวัน) ซึ่งเป็นผลที่ใช้งานง่าย คู่ค้ากลยุทธ์เชิงปริมาณการจัดสรรสินทรัพย์กลยุทธ์การตลาดที่มีประสิทธิภาพตลาดใหม่บทนำทฤษฎีประสิทธิภาพของตลาดได้รับการทดสอบโดยประเภทของการวิจัย แนวคิดดังกล่าวสมมุติฐานว่าข้อมูลการซื้อขายในอดีตของหุ้นสะท้อนอยู่ในรูปแบบที่มีความหมายซึ่งหมายความว่าข้อมูลการซื้อขายในอดีตไม่มีแนวโน้มที่จะคาดการณ์พฤติกรรมในอนาคตของราคาทรัพย์สินได้ ผลที่ตามมาหลักทฤษฎีของแนวคิดนี้ก็คือไม่มีกฎเกณฑ์เชิงตรรกะในการซื้อขายตามข้อมูลในอดีตควรมีผลตอบแทนที่ดีอย่างมีนัยสำคัญในเชิงบวกมากกว่าผลงานมาตรฐานบางอย่าง ในทางตรงกันข้ามกับทฤษฎีประสิทธิภาพของตลาดเอกสารหลายฉบับได้แสดงให้เห็นว่าข้อมูลในอดีตสามารถอธิบายถึงผลตอบแทนของตลาดหุ้นในอนาคตได้บางส่วน การคาดการณ์ดังกล่าวสามารถปรากฏในรูปแบบต่างๆรวมทั้งความผิดปกติในเวลา (วันที่ผลกระทบที่อ่อนแอ 1) และความสัมพันธ์ระหว่างผลตอบแทนของสินทรัพย์และตัวแปรอื่น ๆ 2 สามารถศึกษาทบทวนเรื่องประสิทธิภาพของตลาดได้มากขึ้นในวรรณคดี 3. เอกสารที่น่าเชื่อถือจำนวนหนึ่งได้พยายามใช้เครื่องมือเชิงปริมาณเพื่อสร้างแบบจำลองตลาดและสร้างกฎการซื้อขาย ความคิดพื้นฐานของการวิจัยประเภทนี้คือการมองหารูปแบบของพฤติกรรมในอดีตของราคาหุ้นและใช้ข้อมูลทางประวัติศาสตร์เพียงอย่างเดียวเท่านั้นนำรูปแบบดังกล่าวมาพิจารณาในการสร้างสถานะการซื้อขายระยะสั้นและระยะยาว หนึ่งในวิธีที่ได้รับความนิยมมากที่สุดในการกำหนดรูปแบบตลาดและสรุปกฎเชิงตรรกะคือการวิเคราะห์ทางเทคนิค 5 เทคนิคดังกล่าวขึ้นอยู่กับตัวชี้วัดเชิงปริมาณ (ค่าเฉลี่ยเคลื่อนที่) และรูปแบบการมองเห็น (หัวและไหล่สามด้านและอื่น ๆ ) เพื่อระบุจุดเข้าและออกจากพฤติกรรมในระยะสั้นของราคาหุ้น ความนิยมในการวิเคราะห์ทางเทคนิคนำไปสู่การทดสอบเป็นจำนวนมากซึ่งมีวัตถุประสงค์เพื่อตรวจสอบว่าเครื่องมือดังกล่าวเป็นประโยชน์หรือไม่ เป็นมูลค่าระบุว่าถึงแม้เอกสารส่วนใหญ่จะแสดงให้เห็นว่าการวิเคราะห์ทางเทคนิคมีผลกำไร แต่ปัญหาหลายอย่างอาจกล่าวได้จากการศึกษาเช่นปัญหาการดักฟังข้อมูลการทำธุรกรรมและสภาพคล่อง ทั้งหมดนี้ไม่สมบูรณ์ของการวิจัยทำให้การวิเคราะห์ทางเทคนิคเรื่องที่จะศึกษาต่อไป 6] กับการถือกำเนิดของอำนาจคอมพิวเตอร์ในช่วงปลายยุค 90 วิธีการทางคณิตศาสตร์ที่ซับซ้อนมากขึ้นอาจใช้ในกรณีของกฎการซื้อขาย ตัวอย่างหนึ่งคือการใช้อัลกอริธึมเพื่อนบ้านที่ใกล้ที่สุด (NN) ในกลยุทธ์การซื้อขาย 7.8 9. 10 อัลกอริธึม NN เป็นวิธีการไม่ใช้พารามิเตอร์ของแบบจำลองชุดเวลาซึ่งหลักการหลักคือชุดข้อมูลจะทำสำเนาพฤติกรรมของตัวเองในแบบเศษส่วนนั่นคือเราพบข้อมูลที่คล้ายกันจากอดีต และใช้เป็นเกณฑ์มาตรฐานในการคาดการณ์ข้อสังเกตในอนาคต ข้อสรุปหลักที่ดึงออกมาจากผลลัพธ์ที่นำเสนอเกี่ยวกับศักยภาพในการคาดการณ์ของวิธีนี้คือสามารถคาดการณ์ทิศทางตลาดที่ถูกต้องสำหรับการคาดการณ์ทางการเงินที่คาดการณ์ไว้ได้มากที่สุด แต่สิ่งสำคัญคือต้องระบุว่าพยานหลักฐานไม่แข็งแรงในการศึกษาทั้งหมด สำหรับกรณีของกลยุทธ์การซื้อขายตามรูปแบบพาราเมตริก 11 12 เอกสารอ้างอิงเหล่านี้ได้จากการคาดการณ์เกี่ยวกับรูปแบบการเปลี่ยนรูปแบบการปกครองซึ่งแสดงให้เห็นว่าวิธีการนี้สามารถทำนายช่วงเวลาทางการเงินที่ทำการวิจัยในแต่ละกรณีได้ ประเภทอื่น ๆ ของกลยุทธ์การใช้สูตรเชิงปริมาณรวมถึงการกำหนดเวลาตลาดที่มีปัจจัยพื้นฐานหรือแบบจำลองทางสถิติ 13 14 และกลยุทธ์โมเมนตัม 15. 16 ผลจากเอกสารเหล่านี้เป็นบวก กลยุทธ์ยอดนิยมที่ได้รับชื่อเสียงในช่วงต้นทศวรรษ 1980 เป็นที่เรียกว่าคู่ค้า วิธีนี้ได้รับการออกแบบโดยทีมนักวิทยาศาสตร์จากสาขาต่างๆ (คณิตศาสตร์วิทยาศาสตร์คอมพิวเตอร์ฟิสิกส์เป็นต้น) ซึ่งถูกนำมารวมกันโดย Wall Street quant Nunzio Tartaglia วัตถุประสงค์หลักของทีมนี้คือการใช้วิธีการทางสถิติในการพัฒนาแพลตฟอร์มการซื้อขายโดยใช้คอมพิวเตอร์ซึ่งความเป็นมนุษย์ไม่ได้มีอิทธิพลในการตัดสินใจซื้อหรือขายหุ้นใด ๆ ระบบดังกล่าวประสบความสำเร็จเป็นอย่างมากในช่วงระยะเวลาหนึ่ง แต่ผลการปฏิบัติงานไม่สอดคล้องกันหลังจากนั้นสักครู่และทีมงานได้รื้อถอนหลังจากช่วงเวลาที่มีประสิทธิภาพไม่ดี รายละเอียดเพิ่มเติมเกี่ยวกับต้นกำเนิดของคู่ค้าได้ที่ Vidyamurthy 17 และ Gatev 18 โดยทั่วไปแนวคิดหลักของการซื้อขายคู่คือการใช้ประโยชน์จากความไร้ประสิทธิภาพของตลาด ขั้นตอนแรกคือการระบุสองหุ้นที่ย้ายเข้าด้วยกันและซื้อขายพวกเขาทุกครั้งที่ระยะทางที่แน่นอนระหว่างเส้นทางราคาสูงกว่าเกณฑ์หนึ่งเกณฑ์ ถ้าหุ้นหลังจาก divergence กลับไปที่พฤติกรรมทางประวัติศาสตร์ของสมมาตรแล้วเป็นที่คาดว่าหนึ่งที่มีราคาสูงสุดจะมีการลดค่าและหนึ่งที่มีราคาต่ำสุดจะมีเพิ่มขึ้น ตำแหน่งที่ยาวและสั้นทั้งหมดถูกยึดตามตรรกะนี้ รายละเอียดเฉพาะเกี่ยวกับการเลือกคู่และการกำหนดค่าธรณีประตูในการซื้อขายคู่จะอยู่ในขอบเขตของบทความนี้ วัตถุประสงค์หลักของการวิจัยครั้งนี้คือเพื่อตรวจสอบความสามารถในการทำกำไรและความเสี่ยงของกลยุทธ์การซื้อขายคู่ของตลาดหุ้นบราซิล กฎการซื้อขายนี้แสดงให้เห็นถึงผลการดำเนินงานที่ดีในการศึกษาที่ผ่านมา 18. 19 นี่คือหนึ่งในแรงจูงใจในการศึกษาครั้งนี้และข้อเท็จจริงที่ว่างานวิจัยประเภทนี้ยังไม่ได้นำมาประยุกต์ใช้กับตลาดบราซิล เพื่อให้บรรลุวัตถุประสงค์ข้อมูลจากสามความถี่ที่แตกต่างกัน (รายวันรายสัปดาห์และรายเดือน) จะใช้และผลตอบแทนทั้งหมดจากกฎตรรกะจะถูกเปรียบเทียบกับกลยุทธ์ nave ของการซื้อและถือและยังเทียบกับวิธีบูตของการซื้อขายแบบสุ่ม . ความเสี่ยงที่เป็นระบบและผลตอบแทนคงที่ที่ถูกกรอง (Jensens Alpha) ของกลยุทธ์ดังกล่าวเป็นส่วนหนึ่งของการวิเคราะห์ บทความนี้ได้รับการจัดดังนี้ส่วนแรกเกี่ยวข้องกับหลักเกณฑ์ของวิธีการรวมถึงวิธีการสร้างคู่กฎการตรรกะในการซื้อขายและการประเมินผลการปฏิบัติงาน ประการที่สองผลการเรียนจะถูกนำเสนอและอภิปรายตามด้วยข้อคิดเห็นสรุป วิธีการวิจัย (Methodology) การวิจัยนี้มีวัตถุประสงค์ 2 ประการคือ (1) วิธีเรียกใช้ฐานะ Longshort ตามยุทธศาสตร์การซื้อขายคู่ในแต่ละสต็อกและ (2) วิธีการประเมินประสิทธิภาพของสัญญาณการซื้อขาย การคำนวณทั้งหมดสำหรับเอกสารฉบับนี้ได้ดำเนินการที่ Matlab ฟังก์ชันทั้งหมดที่ใช้สำหรับการดำเนินการและการประเมินผลกลยุทธ์มีอยู่ที่ mathworksmatlabcentralfileexchange (คำหลัก: คู่ค้า) ขั้นตอนของแต่ละขั้นตอนจะครอบคลุมดังนี้ การเลือกคู่ในขั้นตอนการสร้างคู่ความคิดพื้นฐานคือการนำราคาสินทรัพย์ทั้งหมดไปรวมกับหน่วยงานหนึ่งแล้วค้นหาหุ้นสองกลุ่มที่ย้ายเข้าด้วยกัน ปริมาณพูดนี้สามารถดำเนินการได้หลายวิธี วิธีการที่ใช้ในบทความนี้เป็นกฎระยะห่างสุดขั้นต่ำซึ่งหมายความว่าสำหรับแต่ละสต็อกจะมีการค้นหาคู่ที่สอดคล้องกันซึ่งมีระยะห่างไม่เกินขั้นต่ำระหว่างชุดราคาปกติ เหตุผลสำหรับการแปลงหน่วยเป็นเรื่องง่าย การใช้ราคาเดิม (โดยไม่มีการทำให้เป็นมาตรฐาน) จะเป็นปัญหาสำหรับกรณีกฎขั้นต่ำสุดของสแควร์เนื่องจากหุ้นสองกลุ่มสามารถเคลื่อนย้ายเข้าด้วยกันได้ แต่มีระยะห่างระหว่างกันสูง หลังจากที่ได้รับการฟื้นฟูแล้วหุ้นทั้งหมดจะถูกนำเข้าสู่หน่วยมาตรฐานเดียวกันและทำให้สามารถสร้างคู่ค้าได้เป็นปริมาณมาก การเปลี่ยนแปลงที่ใช้คือการทำให้ปกติของชุดราคาขึ้นอยู่กับค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานสมการ (1) ค่าของ P คือราคาปกติของสินทรัพย์ i ในเวลา t E (P มัน) เป็นเพียงความคาดหวังของ P มัน ในกรณีนี้ค่าเฉลี่ยและ i เป็นส่วนเบี่ยงเบนมาตรฐานของราคาหุ้นตามลำดับ ดัชนีทั้งสองถูกคำนวณภายในหน้าต่างเคลื่อนที่เฉพาะของชุดข้อมูลเวลา ด้วยการใช้สมการ (1) ราคาทั้งหมดจะถูกแปลงให้เป็นหน่วยที่มีการทำให้เป็นปกติเหมือนกันซึ่งจะอนุญาตให้มีการใช้กฎระยะห่างที่น้อยที่สุด ขั้นตอนต่อไปคือการเลือกสำหรับแต่ละสต็อกคู่ที่มีระยะห่างระหว่างสี่เหลี่ยมขั้นต่ำระหว่างราคาปกติ นี่คือการค้นหาแบบง่ายๆในฐานข้อมูลโดยใช้ข้อมูลที่ผ่านมาถึงเวลา t เท่านั้น ราคาปกติสำหรับคู่ของสินทรัพย์ i ตอนนี้ถูกระบุเป็น p หลังจากที่มีการระบุคู่ของแต่ละสต็อคกฎการซื้อขายจะสร้างสัญญาณการซื้อขายทุกครั้งที่ระยะห่างสัมบูรณ์ระหว่าง P กับ p สูงกว่า d ค่าของ d เป็นค่าโดยพลการและเป็นตัวกรองสำหรับการสร้างสัญญาณการซื้อขาย มูลค่าไม่สูงมากหากมีการสร้างสัญญาณการซื้อขายเพียงไม่กี่รายการและไม่สามารถต่ำเกินไปหรือกฎจะยืดหยุ่นเกินไปส่งผลให้ธุรกิจการค้ามีจำนวนมากเกินไปและมีมูลค่าการทำธุรกรรมสูง . หลังจากมีการสร้างสัญลักษณ์การซื้อขายแล้วขั้นตอนต่อไปก็คือการกำหนดตำแหน่งที่ทำในหุ้น ตามกลยุทธ์การซื้อขายคู่ถ้าค่าของ P สูงกว่า (ต่ำกว่า) p มัน จากนั้นจะมีการจัดเก็บตำแหน่งสั้น (ยาว) สำหรับสินทรัพย์ i และจัดตำแหน่งระยะยาว (สั้น) สำหรับคู่ของสินทรัพย์ i. ตำแหน่งดังกล่าวจะถูกเก็บไว้จนกว่าความแตกต่างระหว่างราคาปกติจะต่ำกว่า d นี่อาจฟังดูแปลก ๆ เช่นใช้พฤติกรรมราคาต่อเนื่องถ้าซื้อเมื่อระยะทางเป็น d และขายเมื่อระยะทางอีกครั้ง d. ไม่มีกำไร แต่จำไว้ว่าราคาอยู่ในช่วงเวลาไม่ต่อเนื่องซึ่งหมายความว่าราคาซื้อเกิดขึ้นเมื่อระยะทางสูงกว่า d ดังนั้นกำไรที่คาดว่าจะเป็นบวก สำหรับกรณีของการซื้อขายคู่ในช่วงเวลาต่อเนื่องโดยประมาณ (ตัวอย่างเช่นราคาเสนอ 5 นาที) การปรับเปลี่ยนนี้สามารถปรับได้โดยง่ายโดยกำหนดช่องว่างระหว่างเกณฑ์สำหรับการดำเนินการซื้อและการขาย ตรรกะหลักที่อยู่เบื้องหลังผลกำไรที่คาดหวังของกลยุทธ์การซื้อขายคู่คือถ้าการเคลื่อนไหวที่สัมพันธ์กันระหว่างคู่ต่อไปในอนาคตจากนั้นเมื่อระยะห่างระหว่างสินทรัพย์กับคู่ของมันสูงกว่าค่าเกณฑ์เฉพาะ (d) มี ความเป็นไปได้สูงที่ราคาดังกล่าวจะมาบรรจบกันในอนาคตและสามารถสำรวจได้เพื่อผลกำไร ถ้าระยะทางเป็นบวกแล้วค่าของ P มัน อาจจะลดลงในอนาคต (ตำแหน่งสั้น ๆ สำหรับสินทรัพย์ i) และค่าของ p อาจจะเพิ่มขึ้น (ตำแหน่งยาวสำหรับคู่ของ i) ตรรกะเดียวกันเป็นจริงสำหรับกรณีที่ระยะทางเป็นลบ สถานการณ์ที่การซื้อขายคู่ไม่สามารถบรรลุผลกำไรได้คือการเพิ่มระยะห่างระหว่าง P กับ p ที่ตลาดไปในทิศทางตรงกันข้ามกับความคาดหวังและยังลดลง (เพิ่มขึ้น) ในราคาของตำแหน่งยาว (สั้น) ตัวอย่างเช่นรูปที่ 1 แสดงกลยุทธ์การซื้อขายคู่สำหรับราคา TNLP4 รายสัปดาห์และคู่ค้าของ TNLP3 ตัวอย่างของการซื้อขายคู่กับ TNLP4 และ TNLP3 ด้วย d 1 ในรูปที่ 1 TNLP3 คือ TNLP4 คู่ที่พบตามเกณฑ์ระยะห่างขั้นต่ำสุด เป็นไปได้ว่าทั้งสองราคาปกติมีพฤติกรรมคล้ายคลึงกัน ในจุดที่มีวงกลมสีน้ำเงินหรือรูปสามเหลี่ยมสีแดงความแตกต่างอย่างแท้จริงในราคาปกติได้ข้ามค่าของ d หมายความว่าการค้าเกิดขึ้น วงกลมสีน้ำเงิน (รูปสามเหลี่ยมสีแดง) เป็นตำแหน่งที่สั้น (ยาว) ที่สร้างขึ้น เหตุการณ์นี้เกิดขึ้นทุกครั้งที่ระยะทางสัมบูรณ์สูงกว่า 1 และค่าของสินทรัพย์ที่วิเคราะห์จะสูงกว่า (ต่ำกว่า) ของคู่ค้า ทุกครั้งที่ความแตกต่างสัมบูรณ์จะข้ามค่าของ d ตำแหน่งถูกปิด หากสินทรัพย์หลังจากเปิดตำแหน่งย้ายกลับไปที่ความสัมพันธ์ทางประวัติศาสตร์แล้วหนึ่งที่มีราคาสูงขึ้นควรมีการลดราคาและราคาที่ต่ำกว่าควรมีการเพิ่มขึ้น ในฐานะที่เป็นตำแหน่งสั้น ๆ สำหรับสินทรัพย์ตัวแรกและอันดับที่สองในระยะยาวถ้าหากทั้งสองราคามีพฤติกรรมในอดีตผลกำไรจะเกิดขึ้นจากกรณีการค้านี้นั่นคือแนวคิดทั้งหมดที่อยู่เบื้องหลังการซื้อขายคู่ทำกำไรจากการแก้ไขของตลาด การประเมินสมรรถนะของยุทธศาสตร์จุดประสงค์หนึ่งของการศึกษาครั้งนี้คือการประเมินประสิทธิภาพของกลยุทธ์การซื้อขายคู่กับแนวทางของโบสถ์ สำหรับวัตถุประสงค์นี้มีสองวิธีที่ใช้ที่นี่ อันดับแรกคือการคำนวณผลตอบแทนที่มากเกินไปของกลยุทธ์มากกว่าพอร์ตการลงทุนที่ถ่วงน้ำหนักอย่างเหมาะสมและประการที่สองคือการใช้วิธีการบูตเพื่อประเมินประสิทธิภาพของกฎการซื้อขายกับการใช้คู่แบบสุ่มสำหรับแต่ละสต็อก การคํานวณผลตอบแทนของยุทธศาสตร์การคํานวณผลตอบแทนรวมของกลยุทธ์จะคํานวณตามสูตรต่อไปสมการ (2): ตัวแปร Dummy ที่ใช้ค่า 1 หากสร้างตำแหน่งยาวขึ้นสำหรับสินทรัพย์ i ค่า 1 หากมีการสร้างตำแหน่งสั้นและ 0 ไว้ เมื่อมีตำแหน่งยาวในเวลา t ตัวแปรนี้มีการระบุด้วยว่าฉันเป็น L และในขณะที่ฉันเป็น S สำหรับตำแหน่งสั้น ๆ ตัวแปรน้ำหนักที่ควบคุมการก่อสร้างพอร์ตโฟลิโอในช่วงเวลา t ในเอกสารฉบับนี้ผลงานจำลองจะมีน้ำหนักเท่ากัน ซึ่งหมายความว่าแต่ละตำแหน่งการค้าจะมีน้ำหนักเท่ากัน ณ เวลา t นั่นคือ W it 1 (I 1 n ฉันมัน L amp S) โดยธรรมชาติแล้วผลรวมของ W สำหรับสินทรัพย์ทั้งหมดมีค่าเท่ากับ 1 หรือศูนย์ (ไม่มีตำแหน่งการซื้อขาย ณ เวลา t) ตัวแปร Dummy ที่ใช้ค่า 1 หากทำธุรกรรมสำหรับสินทรัพย์ i ในเวลา t และศูนย์เป็นอย่างอื่น เป็นสิ่งสำคัญที่จะแยกแยะค่าของ I แอมป์ S (ตำแหน่งยาวและสั้น) จาก Tc (การทำธุรกรรม Dummy) ค่าของ Tc จะมาจากเวกเตอร์ I คือ L amp S แต่พวกเขาไม่เท่ากัน ตัวอย่างเช่นสมมุติว่ามีการสร้างตำแหน่งที่ยาวขึ้นสำหรับเนื้อหา i ในเวลา t 1 และเฉพาะเวลา t เท่านั้น เวกเตอร์ของฉันมัน L จะมีค่าเป็น 1 ถึงเวลา t 1 และ t แต่เวกเตอร์ของ Tc มีค่าเพียง 1 สำหรับเวลา t 1 เช่นเดียวกับ t สินทรัพย์อยู่ในพอร์ตโฟลิโอแล้วจึงไม่จำเป็นต้องซื้ออีก เช่นเดียวกับตำแหน่งสั้น ๆ ต้นทุนการทำธุรกรรมต่อการดำเนินงาน (เปอร์เซ็นต์) จำนวนข้อสังเกตในช่วงระยะเวลาการซื้อขายหลักทรัพย์ สำหรับสมการ (2) ความคิดพื้นฐานคือการคำนวณผลตอบแทนจากการบัญชีกลยุทธ์สำหรับค่าใช้จ่ายในการทำธุรกรรม ส่วนแรกของ (1), t 1 T i 1 n R it I มัน L amp S W จะคำนวณผลตอบแทนจากการลงทุนทั้งหมดของโครงการ ทุกครั้งที่มีการสร้างตำแหน่งที่ยาวและสั้นสำหรับเนื้อหา i. ผลตอบแทนดิบของผลงานจำลองในเวลา t คือ i 1 n R it I มัน L amp S W it นั่นคือผลตอบแทนที่คาดหวังคูณด้วยน้ำหนักที่สอดคล้องกันในพอร์ตโฟลิโอ เป็น t ไปจาก 1 ถึง T (1), t 1 T i 1 n R it I มัน L amp S W มัน. ส่วนที่สองของสมการ (2) มีวัตถุประสงค์เพื่อคำนวณต้นทุนการทำธุรกรรม ตัวอย่างเช่นสมมติว่าค่าใช้จ่ายในการซื้อขายและซื้อขายหุ้นคือ C ซึ่งแสดงเป็นเปอร์เซ็นต์ของราคาซื้อขาย หากซื้อหุ้นในราคา P B แล้วขายในราคา P S ราคาซื้อและขายที่แท้จริงซึ่งรวมถึงค่าใช้จ่ายในการทำรายการ ได้แก่ P B (1 C) และ P S (1 C) ให้ผลตอบแทนลอการิทึมของผลการดำเนินงานในสูตร R ln (P S (1 C) P B (1 C)) เมื่อใช้สมการลอการิทึมสมการก่อนหน้าจะกลายเป็น R ln (P S P B) ln ((1 C) (1 C)) เป็นไปได้ว่าผลตอบแทนของการดำเนินการนี้จะมีองค์ประกอบสองอย่างคือ logarithm return จากความแตกต่างระหว่างราคาซื้อขายและ ln (1 C) (1 C)) ซึ่งคิดเป็น ค่าใช้จ่ายในการทำธุรกรรมทั้งหมด ผลการเปรียบเทียบนี้ระบุว่าต้นทุนการทำธุรกรรมสำหรับการดำเนินการหนึ่งครั้ง (ซื้อและขาย) คือ ln ((1 C) (1 C)) กลับไปวิเคราะห์ส่วนที่สองของสมการ (1) เป็น ln ((1 C) (1 C)) เป็นต้นทุนการทำธุรกรรมของการดำเนินการหนึ่งตรรกะระยะ (t 1 T I 1 n Tc มัน) เป็นเพียงจำนวนของการดำเนินการโดยกลยุทธ์การค้า เป็นสิ่งสำคัญที่จะต้องทราบว่าเป็น (1 C) (1 C) มักจะน้อยกว่าหนึ่งเพราะ C เป็นบวกเสมอและสูงกว่าศูนย์จากนั้นค่าของ ln ((C) (1 C)) เป็นลบเสมอซึ่งหมายความว่า ค่าใช้จ่ายในการทำธุรกรรมจะถูกลบออกจากผลตอบแทนของกลยุทธ์ซึ่งเป็นผลที่ใช้งานได้ง่าย การประเมินผลตอบแทนของยุทธศาสตร์เพื่อประเมินประสิทธิภาพของยุทธศาสตร์จำเป็นต้องเปรียบเทียบกับแนวทางของวิหาร หากกลยุทธ์มีประสิทธิภาพดีกว่านักลงทุนที่ไม่ได้ใช้ทักษะอย่างมีนัยสำคัญกฎการซื้อขายดังกล่าวมีมูลค่า นี่เป็นแนวคิดหลักที่จะพัฒนาทั้งสองวิธีที่ใช้ในการวิจัยนี้เพื่อประเมินประสิทธิภาพของกลยุทธ์การซื้อขายคู่สำหรับตลาดการเงินของบราซิล วิธีการที่อธิบายไว้ในที่นี้คือการคํานวณผลตอบแทนที่มากเกินกว่ากฎการซื้อและถือของ nave และวิธีการบูตแบบสุ่มตัวอย่างที่มีความซับซ้อนมากขึ้น การคํานวณผลตอบแทนของพอร์ตออฟที่มากเกินไป: การคำนวณผลตอบแทนที่มากเกินไปเป็นวิธีที่ง่ายที่สุดในการประเมินกลยุทธ์การซื้อขาย ความคิดค่อนข้างง่าย: ตรวจสอบว่าผลตอบแทนจากการทดสอบเกินกว่ากฎ nave มากแค่ไหน ในกรณีนี้การปกครองคือการซื้อและระงับพอร์ตการลงทุนที่ถ่วงน้ำหนักอย่างเหมาะสมสำหรับการเปรียบเทียบกับตำแหน่งที่ยาวและขายต่อและไม่ขายต่อสำหรับตำแหน่งสั้น ๆ การกลับมาของวิธี NAVE มากกว่าจำนวนสินทรัพย์ทั้งหมดจะขึ้นอยู่กับสูตรต่อไปนี้สมการ (3): ในฐานะที่เป็นกลยุทธ์การซื้อขายคู่ใช้สองประเภทที่แตกต่างกันของตำแหน่งในตลาดหุ้นยาวสำหรับความหวังของการเพิ่มขึ้นของราคา และสั้นสำหรับความหวังของการลดราคาที่มีความจำเป็นต้องสร้างพอร์ตการลงทุน nave ที่ยังทำให้การใช้ตำแหน่งดังกล่าว นี่คือหน้าที่ของเงื่อนไข i 1 n P i L t 1 TR it และ i 1 n P i S t 1 TR มันที่แรกจำลองการซื้อและถือ (Long ตำแหน่ง) ของพอร์ตการลงทุนที่ถ่วงน้ำหนักอย่างถูกต้องและที่สอง (short positions) สำหรับโครงการลงทุนที่มีการถ่วงน้ำหนักอย่างเหมาะสม น้ำหนักในทั้งสองคำนี้มาจากจำนวนตำแหน่งที่ยาวและสั้นที่ถ่ายในแต่ละเนื้อหาดังที่แสดงไว้ก่อน จำนวนสัญญาณที่ยาวและสั้นมากขึ้นทำให้กลยุทธ์สำหรับสินทรัพย์ i. สูงกว่าน้ำหนักที่หุ้นดังกล่าวจะมีผลงานจำลอง เห็นได้จากสมการ (3) ว่าถ้า P i S P i L ซึ่งเปนฐานะที่ไดรับการปองกันความเสี่ยงอยางดีที่สุดสําหรับสินทรัพย i ในพอรทัลมาตรฐานแลวขอกําหนด i 1 n P i L t 1 TR it i 1 n P i S t 1 TR เปนโมฆะกันและมีสวนแบงกําไรสะสมสําหรับสินทรัพย พอร์ตโฟลิโอมาตรฐานเป็นเพียงค่าใช้จ่ายสำหรับการตั้งค่าพอร์ตการลงทุน ควรสังเกตว่าการคำนวณสมการ (3) ไม่รวมถึงตัวแปร W ในสมการ (2) เนื่องจากสมการของผู้ตัดสินกำลังคำนวณผลรวมของผลตอบแทนที่คาดว่าจะได้รับจากสถานภาพระยะยาวและสั้นสำหรับสินทรัพย์ทั้งหมดและไม่ใช่ผลตอบแทนของผลงานจำลองตามเวลา (สมการ (2)) จากสมการ (3) หนึ่งในสถานที่ของการวิจัยคือต้นทุนการทำธุรกรรมต่อการดำเนินการจะเหมือนกันสำหรับตำแหน่งที่ยาวและสั้น ระยะเวลาสุดท้ายของ (3) คือต้นทุนการทำธุรกรรมสำหรับการเปิดตำแหน่ง (ทำให้พอร์ตโฟลิโอ) และซื้อขายได้เมื่อสิ้นงวด ในกรณีนี้จำนวนธุรกิจการค้าที่จำเป็นในการสร้างและปิดพอร์ตการลงทุนสองคือ 2 n โดย n คือจำนวนของสินทรัพย์ที่ทำการวิจัย ผลตอบแทนที่มากเกินไปสำหรับกลยุทธ์จะได้รับจากความแตกต่างระหว่าง (2) และ (3) ซึ่งเป็นสูตรสุดท้ายสำหรับการคำนวณสมรรถนะที่มากเกินไป: สมการ (4) วิธี Bootstrap สำหรับประเมินประสิทธิภาพการทำงานของคู่ค้า: วิธีการบูตเป็นวิธีเปรียบเทียบสัญญาณการซื้อขายของกลยุทธ์กับโอกาสที่บริสุทธิ์ แนวคิดพื้นฐานคือการจำลองรายการแบบสุ่มในตลาดบันทึกผลตอบแทนทั้งหมดสำหรับการจำลองแต่ละครั้งและนับจำนวนครั้งที่รายการแบบสุ่มเหล่านี้น้อยกว่าผลตอบแทนที่ได้รับในกลยุทธ์ที่ทดสอบ วิธีการดังกล่าวคล้ายกับแนวคิดของ Patrick Burns 20. 21 ควรสังเกตว่ากลยุทธ์การซื้อขายแต่ละรูปแบบมีระยะเวลาสั้นและระยะยาวแตกต่างกันไปและสำหรับจำนวนวันที่แตกต่างกัน ข้อมูลดังกล่าวยังถูกนำมาพิจารณาในการสุ่มแบบจำลอง ขั้นตอนต่อไปนี้แยกจากกันสำหรับตำแหน่งที่ยาวและสั้นให้คำนวณจำนวนวันมัธยฐาน (nDaysLong และ nDaysShort) ที่กลยุทธ์ซื้อขายในตลาดและมีจำนวนเฉลี่ยของสินทรัพย์ (nAssetsLong และ nDaysShort) ด้วยค่าของ nDays และ nAssets เป็นระยะเวลาสั้นและยาวกำหนดรายการสุ่ม nDays ในตลาดสำหรับ nAssets จำนวนสินทรัพย์ อีกครั้งทำให้ชัดเจนขั้นตอนนี้ควรจะทำซ้ำสำหรับประเภทการซื้อขายแต่ละประเภท (ยาวและสั้น) ทำซ้ำขั้นตอนที่ 1 และ 2 เมตรจำนวนครั้งบันทึกผลตอบแทนดิบที่สะสม (ผลตอบแทนรวมหักต้นทุนการทำธุรกรรม) ในแต่ละครั้ง หลังจากมีการจำลองจำนวนมากตัวอย่างเช่น m 5000 ผลลัพธ์สำหรับวิธีบูตจะเป็นการกระจายผลตอบแทน การทดสอบที่นี่คือการตรวจสอบเปอร์เซ็นต์ของผลตอบแทนที่กลยุทธ์ที่ทดสอบได้รับเมื่อเทียบกับการใช้การซื้อขายแบบสุ่ม ตัวอย่างเช่นต่อไปคือฮิสโตแกรมของผลตอบแทนที่สะสมจากการใช้อัลกอริธึมบูตสำหรับฐานข้อมูลรายวันด้วยตัวเลือก m 5000, n DaysLong400, n DaysLong250, n AssetsLong5, n AssetsShort3 และมีต้นทุนการทำธุรกรรมเป็นศูนย์ รูปที่ 2 แสดงให้เห็นว่าเมื่อพิจารณาถึงตัวเลือกที่ให้กับอัลกอริทึ่มนักลงทุนที่มีความเชี่ยวชาญจะได้รับผลตอบแทนจากการลงทุนประมาณร้อยละ 10 โดยเฉลี่ย กรณีที่ดีที่สุดสำหรับนักลงทุนโบสถ์คือประมาณร้อยละ 74 และที่เลวร้ายที่สุดคือร้อยละ 70 ฮิสโตแกรมของผลตอบแทนที่สะสมจากการซื้อขายแบบสุ่ม ขั้นตอนถัดไปในการใช้วิธีบูตนี้คือการนับจำนวนครั้งที่ผลตอบแทนสะสมจากการซื้อขายคู่จะสูงกว่าผลตอบแทนที่สะสมจากสัญญาณการซื้อขายแบบสุ่มและหารด้วยจำนวนการจำลอง ผลที่ได้คือเปอร์เซ็นต์ที่แสดงจำนวนสัญญาณสุ่มที่ใช้ในการทดสอบ หากกลยุทธ์ดังกล่าวมีมูลค่าก็จะผลิตอะไรใกล้กับร้อยละ 90 ถ้าเป็นกรณีของโอกาสก็จะให้เปอร์เซ็นต์ใกล้เคียงกับร้อยละ 50 และถ้ากลยุทธ์ไม่ได้แสดงค่าใด ๆ ก็จะส่งผลให้ร้อยละใกล้เคียงกับร้อยละ 10 ซึ่งหมายความว่าในกรณีนี้มัน เป็นไปได้ที่จะได้รับผลตอบแทนที่สูงขึ้นโดยใช้เฉพาะเมล็ดแบบสุ่มเพื่อเลือกสินทรัพย์และวันที่ต้องการซื้อขาย วิธีหนึ่งในการวิเคราะห์ผลของอัลกอริธึมบูตสตาร์ทคือการเปรียบเทียบการเลือกโดยกลยุทธ์การซื้อขายนั่นคือวันและสินทรัพย์เพื่อการค้าเทียบกับผลตอบแทนที่คาดว่าจะได้รับในวันเดียวกันและจำนวนธุรกิจการค้าที่มีต่อข้อมูลที่ทำการวิจัยทั้งหมด ฐานข้อมูลสำหรับการวิจัยฐานข้อมูลสำหรับการวิจัยนี้ตั้งอยู่บนพื้นฐานของหุ้นที่มีสภาพคล่องสูงที่สุด 100 แห่งจากตลาดการเงินของประเทศบราซิลระหว่างปี 2543 ถึง 2549 การศึกษามีวัตถุประสงค์เพื่อประเมินประสิทธิภาพและความเสี่ยงในการซื้อขายคู่ด้วยความถี่ที่ต่างกันของข้อมูล: รายวันรายสัปดาห์ และราคารายเดือน เนื่องจากมีปัญหาสภาพคล่องในบางกรณีฐานข้อมูลต้องได้รับการกำหนดค่าใหม่สำหรับแต่ละความถี่ กฎที่นี่คือการเลือกหุ้นที่มีราคาปิดอย่างถูกต้องอย่างน้อย 98% จำนวนหุ้นที่เกิดขึ้นหลังจากการใช้ตัวกรองดังแสดงในตารางที่ 1 ฐานข้อมูลตามความถี่ของชุดข้อมูล Time out จาก 100 หุ้น สำหรับตารางที่ 1. ฐานข้อมูลที่ทำการวิจัยลดลงคือความถี่รายวันโดยเลือกเฉพาะ 57 หุ้นหลังจากกรองสำหรับหุ้นที่มีราคาปิดต่ำกว่า 98 เปอร์เซ็นต์ สำหรับราคารายสัปดาห์และรายเดือนการกรองดังกล่าวไม่ใช่ปัญหาและส่วนใหญ่ของสต็อคจากฐานข้อมูลเดิมถูกเก็บไว้ สำหรับกรณีของราคาที่ขาดหายไปพวกเขาถูกแทนที่ด้วยราคาที่ผ่านมาซึ่งจะกำหนดผลตอบแทนลอการิทึมในวันนั้นให้เป็นศูนย์ Every test of trading strategy has two phases in the research data: the training period and the trading period. For this study, the training period is a moving window composed of approximately 2 years of data for all frequencies. For daily prices, such a moving window has a length of 494, for weekly prices of 105 and for annual frequency of 24. Another issue in executing the pairs-trading strategy over data is that each stock may change its pairs over time. In order to assess such a possibility, the pair of each stock is updated at each month for all tested frequencies. For instance, for daily data, at each 25 observations the pairs are recalculated. It is important to note that the algorithm does not use future observation to build the trading rules. All aspects of the strategy are calculated using only past information, which is a necessary assumption for a realistic assessment of a quantitative trading strategy performance. Table 2 presents the returns obtained from the pairs-trading strategy at the different researched frequencies, with C 0.1 per cent. This value of transaction cost is realistic for the Brazilian equity market, and can be easily achieved with a moderate amount of invested capital. Evaluation of pairs trading returns for different values of d The bootstrap method was based in 1.000 simulations for each value of d . always respecting the median number of days and assets that the strategy was in the market for each type of position. Before the analysis of Table 2. an important observation is that the total return is not only the sum of the returns from the long and short positions. For the excessive and raw returns, if the column Long Positions was summed with the column Short Positions, it will not equal the column Total. This occurs because one asset can be having a buy sign and also a sell sign for the same time t . as such stock can be the pair of other stock. If only short or long positions are analysed, the respective trading positions are valid, but when analysing the total return from both, a buy and sell sign, for the same asset at the same time, null each other. As can be seen, the difference is quite high, meaning that such an event has occurred very often. For the case of raw return, Table 2. which is simply the clean return of the strategy minus the transaction costs, it can be seen that the long positions were far more profitable than the short positions in all tested frequencies. This was expected, as the period of the study was clearly an upward-trending market, meaning that a short position would not make much money, as can be seen in the raw returns for the short signals, at different frequencies. Analysing the excessive returns of Table 2. it can be seen that the pairs-trading strategy was able to beat a properly weighted nave portfolio in most of the cases. Such a result is more consistent for the daily frequency in the interval of d between 1.5 and 2, and also for the monthly frequency in the whole tested interval of d . Verifying the relationship between d and number of trades, it is very clear that they are negatively correlated, as in the execution of the trading rules high (low) values of d presented a low (high) number of transactions. This can be easily explained by the fact that d is the threshold variable that controls when a price divergence is not considered normal. As d grows, fewer and fewer abnormal divergences are found, which consequently reduces the number of transactions made by the strategy. The bootstrap method presented at Table 2 shows that pairs trading is superior to the use of random trading signals (percentages of beaten random portfolios higher than 90) in just a few cases, more precisely for the data with daily frequency and with threshold value ranging from 1.5 to 2. There are also indications of positive performance of the bootstrap method over the monthly data with 2.6 d 3. But, given that only a few trades were made for this particular interval (4.08 per cent 3 observations), the result cannot be taken seriously regarding the performance of the pairs-trading strategy. A much clearer picture of positive performance is given in Panel A. Another piece of information provided in Table 2 is that the bootstrap method is much more restrictive for positive performance than the benchmark portfolio approach. Whereas the last presented positive excess return for almost all values over the different panels, the last only resulted in positive performance for a couple of cases. It could be argued that the benchmark method is a static way of assessing performance, and the bootstrap method is superior in the sense that the way to assess nave performances is much more dynamic, and therefore superior. The best case in Table 2. when comparing returns and bootstrap methods, is for daily frequency, where the total raw returns presented a high percentage of beaten random portfolios, and also a positive and consistent excessive return at a particular domain of d . The performance of pairs-trading for weekly prices was not very consistent for different values of d and, for monthly prices, positive values of excessive returns were found, but the simulation of random portfolios showed that most of the raw returns obtained at this frequency were simply a case of chance, and not skill. The result of the superiority of higher frequencies in the pairs-trading framework is logically consistent, as the objective of pairs-trading is to take advantage of market corrections, and such inefficiency would, as expected, occur more often at high frequencies. The next step in this type of research could be to study the performance of pairs-trading at high-frequency data (intraday quotes), and check whether, again, the performance is higher at higher frequencies of the data. The next analysis pursued in the paper is the evaluation of the risk in the tested strategies ( Table 3) . Beta and jensens alpha for pairs trading a The betas and alphas are obtained with a regression of the vector with the strategies returns over time against the returns from Ibovespa (Broad Brazilian Market Index). Significant at 10 per cent. Regarding the Jensens Alphas in Table 3. which should be positive and statistically significant if the strategy has good performance independently of market conditions, it can be seen that, for Panel A, most of them are positive but not statistically significant. This particular result shows that pairs-trading strategy has a positive constant return after filtering for market conditions, but such a coefficient is not statistically significant. Another aim of this study relates to the risk of pairs-trading strategy. The values of systematic risk (beta) in Table 3 are very close to zero, and only one of them is statistically significant at 10 per cent. Such a result corroborates with the fact that pairs-trading is often called a market-neutral rule, meaning that the returns from such a strategy usually does not follow the market behaviour. This is intuitive because, in the pairs-trading framework, the number of long positions is equal to the number of short positions when there is no overlapping (short and long at the same time), which creates a natural hedge against the market movements. After the analysis of the information shown in Tables 2 and 3. it is possible to state that, for the Brazilian financial market, the positions created by the pairs-trading were a moderately profitable strategy in the past and, at the same time, neutral to the market-systematic movements. The best results were found at the database with daily frequency. For this particular database, the excessive returns obtained were consistent over a particular region of d . and the raw returns cannot be considered a simple case of chance. The conclusion about the profitability of pairs-trading corroborates with the previous research on the topic (Gatev 18 and Nath 19 ). Conclusions The main objective of this research was to verify the performance (return) and also the risk of classical pairs-trading in the Brazilian financial market at different time frequencies (daily, weekly and monthly). Such analysis was also carried out considering different values for the threshold parameter d . In order to achieve this objective, the returns from the strategies were compared against a properly weighted portfolio made with long and short positions at the beginning of the trading period, and also against a variant of the bootstrap method for assessing performance. The risk of the trading signals was obtained with the analysis of the systematic risk (beta) of the strategies. The main conclusion of this paper is that pairs-trading had a good performance when applied to the Brazilian financial market, especially for the daily frequency. The tests performed showed that the market rules presented betas very close to zero and not statistically significant at 10 per cent, which means that pairs-trading may be called a market-neutral rule. Regarding profitability, the best case was for daily frequency, where the interval of d between 1.5 and 2 presented consistent values of excessive return over a benchmark portfolio. The bootstrap approach also showed that the raw returns for this particular set of parameter were not given by chance, but by skill. However, it is also important to address a weakness of the research. The framework used in the study did not allow for liquidity risk of the strategy, which may be a negative factor affecting the realisable (and not measurable) returns. Given this fact, the results of positive performance can only be assessed given the constraints of the research. References French, K. (1980) Stock returns and the weekend effect. Journal of Financial Economics 8 (March): 5569. CrossRef Google Scholar Fama, E. and French, K. (1992) The cross-section of expected stock returns. Journal of Finance 47 (2): 427465. CrossRef Google Scholar Fama, E. (1991) Efficient capital markets: II. Journal of Finance 46: 15751617. CrossRef Google Scholar Dimson, E. and Mussavian, M. (1998) A brief history of market efficiency. European Financial Management 4: 91193. CrossRef Google Scholar Murphy, J. (1999) Technical Analysis of the Financial Markets. New York: New York Institute of Finance Google Scholar Park, C. and Irwin, C. (2004) The Profitability of Technical Analysis: A Review. AgMAS Project Research Report, No. 04. Fernandez-Rodrigues, F. Sosvilla-Rivero, S. and Felix, J.A. (2002) Nearest Neighbor Predictions in Foreign Exchange Markets. Working Paper No. 05, FEDEA. Fernandez-Rodrigues, F. Sosvilla-Rivero, S. and Garcia-Artiles, M. (1997) Using nearest neighbor predictors to forecast the spanish stock market. Investigaciones Econmicas 21: 7591. Google Scholar Fernandez-Rodrigues, F. Sosvilla-Rivero, S. and Garcia-Artiles, M. (2001) An Empirical Evaluation of Non-Linear Trading Rules. Working Paper No. 16, FEDEA. Perlin, M.S. (2006) Non Parametric Modelling in Major Latin America Market Indexes: An Analysis of the Performance from the Nearest Neighbor Algorithm in Trading Strategies. Proceedings of the Conference on Latin American Studies June. Lima, Peru: BALAS The Business Association of Latin American Studies. Efetkhari, B. (1997) The Markov Regime Switching model as Trading Tool. Working Paper, University of Cambridge. Dueker, M.J. and Neely, C.J. (2006) Can Markov Switching Models Predict Excess Foreign Exchange Returns. Working Paper, Federal Reserve Bank of St. Louis. Brooks, C. Katsaris, A. and Persand, G. (2005) Timing is Everything: A Comparison and Evaluation of Market Timing Strategies. Working Paper. Available at SSRN: ssrnabstract83448. Anderson, K. and Brooks, C. (2006) Decomposing the price-earnings ratio. Journal of Asset Management 6: 456469. CrossRef Google Scholar Siganos, A. and Chelley-Steeley, P. (2006) Momentum profits following bull and bear markets. Journal of Asset Management 6: 381388. CrossRef Google Scholar Balsara, N. and Zheng, L. (2006) Profiting from past winners and losers. Journal of Asset Management 6: 329344. CrossRef Google Scholar Vidyamurthy, G. (2004) Pairs Trading: Quantitative Methods and Analysis. นิวยอร์ก: John Wiley amp Sons Google Scholar Gatev, E. Goetzmann, W.N. and Rouwenhorst, K.G. (1999) Pairs Trading: Performance of a Relative Value Arbitrage Rule. Working Paper, Yale School of Management. Available at SSRN: ssrnabstract141615. Nath, P. (2003) High Frequency Pairs Trading with US Treasury Securities: Risks and Rewards for Hedge Funds. Working Paper, London Business School. Burns, P. (2004) Performance Measurement via Random Portfolios. Working Paper, Burns Statistics. Burns, P. (2006) Random Portfolios for Evaluating Trading. Working Paper, Burns Statistics. Copyright information Palgrave Macmillan 2009 Authors and Affiliations Marcelo Scherer Perlin 1 1. ICMAReading University Reading UK
ที่ดีที่สุด อัตราแลกเปลี่ยน ต่อการ ซื้อ วันนี้
Forex- ค้า แผน ตัวอย่างเช่น