Estrategias de negociación de tendencias en futuros de materias primas: Re-examen Andrew C. Szakmary a. . , Qian Shen b. , Subhash C. Sharma c. Departamento de Economía y Finanzas, Escuela de Negocios, Alabama Universidad de AampM, Normal, AL 35762, EE. UU. c Departamento de Economía, Southern Illinois University at Este artículo examina el desempeño de las estrategias de negociación de tendencias en los mercados de futuros de materias primas utilizando un conjunto de datos mensuales que abarca 48xA0years y 28 mercados. Encontramos que todas las parametrizaciones de las estrategias de cruces y canales de media móvil dual que implementamos producen rendimientos positivos medios positivos netos de los costos de transacciones en al menos 22 de los 28 mercados. Cuando reunimos nuestros resultados a través de los mercados, mostramos que todas las reglas de negociación ganan retornos positivos enormemente significativos que prevalecen sobre la mayoría de los subperíodos de los datos también. Estos resultados son robustos con respecto al conjunto de productos con los que se implementan las reglas comerciales, supuestos distributivos, ajustes de minería de datos y costos de transacción, y ayudan a resolver evidencias divergentes en la literatura existente sobre el desempeño del impulso y las estrategias puras de tendencia que siguen. Es de otro modo difícil de explicar. Clasificación JEL Palabras clave Trend-following Reglas comerciales Momentum Futuros de materias primasTrend-siguientes estrategias de negociación en futuros de materias primas: A re-examen Cifras Citas Citas 53 Referencias Referencias 39 quotTechnical análisis es la previsión de los movimientos de precios mediante el análisis de datos del mercado pasado 16. Establece reglas comerciales específicas Utilizando indicadores, tales como medias móviles, para descifrar los patrones de comportamiento en los datos de series de tiempo 11, 12, 17, 18, 19, 20, 21, 22, 23. El objetivo es maximizar las ganancias minimizando el riesgo de pérdidas 19, 20 (Indonesia) (IDR), Malasia (MYR), Filipinas (PHP), Singapur (SGD por sus siglas en inglés) , Y Tailandia (THB)) mediante la aplicación de sistemas dinámicos de media móvil. Esta investigación ofrece evidencia de la utilidad del indicador de análisis técnico de volatilidad variable en el tiempo, el promedio móvil variable (AMAx27) para descifrar las tendencias en estos mercados de tipo de cambio ASEAN-5. Este factor de volatilidad variable en el tiempo, denominado Ratio de Eficacia en este documento, está incluido en AMAx27. El Efficacy Ratio ajusta el AMAx27 a las condiciones de mercado prevalecientes, evitando los whipsaws (pérdidas debidas, en parte, a actuar sobre señales comerciales incorrectas, que generalmente ocurren cuando no existe una dirección general en el mercado) Tendencias en el comercio de tendencia. La eficacia de AMAx27 se evalúa en comparación con otras reglas populares de media móvil. Basado en el conjunto de datos de enero de 2005 a diciembre de 2014, nuestros hallazgos muestran que los promedios móviles y AMAx27 son superiores a la estrategia pasiva de compra y retención. Específicamente, AMAx27 supera a los otros modelos para el dólar de los Estados Unidos contra PHP (USD / PHP) y USD / THB pares de divisas. Los resultados muestran que diferentes medias móviles de longitud tienen mejores resultados en diferentes períodos para las cinco monedas. Esto es consistente con nuestra hipótesis de que un indicador técnico ajustable dinámico es necesario para atender períodos diferentes en diferentes mercados. Por otra parte, la sabiduría tradicional considera que los precios del petróleo son excepcionalmente informativos con respecto a las actividades económicas y las volatilidades futuras. Además, la producción de petróleo, los inventarios de petróleo y la actividad real también proporcionan información valiosa sobre los precios del petróleo y sus volatilidades (por ejemplo, Hong y Yogo, 2012 Szakmary et al., 2010). Los shocks de petróleo, basados en los indicadores mencionados aquí, pueden resumir la información de los mercados de petróleo y pueden captar mejor las volatilidades del petróleo. RESUMEN: Este artículo explora el papel de los fundamentos de especulación y economía en el mercado del petróleo utilizando un modelo de dos componentes GARCH-MIDAS. Específicamente, los autores destacan los diferentes papeles desempeñados por los cambios en los shocks de petróleo con respecto a los componentes a corto y largo plazo con respecto a la volatilidad del mercado del petróleo. Los resultados indican que un choque de demanda global es el único factor que no sólo es positivo, sino que también aumenta significativamente la volatilidad del petróleo a largo y corto plazo en la muestra completa. Esto es consistente con una serie clásica de investigación que aboga por que la demanda global domine el mercado del petróleo. Sin embargo, desde 2004, los impactos de otros choques petroleros se han debilitado o incluso revertido significativamente. Por ejemplo, el shock especulativo de la demanda ha ayudado a estabilizar la volatilidad del petróleo a largo plazo durante el período posterior a 2004. Los resultados también sugieren la existencia de impactos asimétricos sobre la volatilidad a corto plazo del petróleo, particularmente para los shocks de la oferta de petróleo, la demanda de petróleo específico y la demanda de petróleo especulativo. Artículo 201 201 Libo Yin Yimin Zhou quotOut de los 35 contratos de futuros de materias primas, la estrategia de tiempo medio móvil ofrece mayores rendimientos promedio (ratios de Sharpe) en 23 (27) contratos, pero los rendimientos medios más bajos (Sharpe ratios) en los otros 12 contratos . Los resultados son en gran medida coherentes con la literatura anterior sobre el análisis técnico en futuros de productos básicos (véase, por ejemplo, Szakmary et al., 2010). En algunos contratos la mejora del rendimiento es bastante grande, pero en otros contratos el deterioro del rendimiento es también bastante grande. RESUMEN: Proporcionamos evidencia de que una estrategia de tiempo promedio móvil simple, cuando se aplica a carteras de futuros de materias primas, puede generar un desempeño superior a la estrategia de compra y retención. El rendimiento superior es muy robusto. Puede sobrevivir a los costos de transacción en los mercados de futuros, no está concentrado en un subperíodo en particular y es robusto a restricciones de venta en corto, especificaciones alternativas de la longitud de retraso medio móvil, construcción alternativa de series temporales continuas de precios de futuros, Y el impacto de la minería de datos. El rendimiento superior de la estrategia de temporización no está impulsado por el retroceso y el contango. Es más fuerte durante la recesión y no puede explicarse por variables macroeconómicas. Por último, confirmamos que el rendimiento superior de la estrategia de tiempo promedio móvil en los futuros de materias primas proviene de la sincronización de mercado exitosa. Los autores exploran la rentabilidad de la tendencia siguiente y las estrategias de impulso en los mercados de futuros de materias primas. Ellos prueban varias variaciones de estas estrategias, incluyendo el impulso transversal, una regla de cruce de media móvil dual y una regla de canal. Encuentran retornos positivos significativos y demuestran que los resultados son también robustos a los supuestos distributivos, los ajustes de minería de datos y los costos de transacción. Los autores examinan tres variaciones de las estrategias de impulso. La primera es una formulación transversal que es común en la literatura de equidad. Al final de cada mes calendario, clasifican todas las mercancías sobre la base de su rendimiento total respectivo durante los períodos de formación, que son 1, 2, 3, 6, 9 y 12 meses. A continuación, toman posiciones largas en el tercio superior, posiciones cortas en el tercio inferior, y ninguna posición en el tercio medio. La estrategia siguiente es una estrategia de impulso explícita basada en un cruce dual de media móvil (DMAC) en cada producto de forma independiente. El promedio móvil a corto plazo es de 1 o 2 meses, y el promedio móvil a largo plazo es de 6 o 12 meses. También consideran una banda neutral en la que no se toma posición cuando los promedios móviles están dentro de una banda de 5 por ciento entre sí. La estrategia final es la regla del canal. Se toma una posición larga si el valor de la mercancía excede los valores máximos de la unidad final de mes durante los últimos n meses y se toma una posición corta si el último valor es menor que el mínimo de los valores de fin de mes Durante los últimos n meses. Se consideran varios parámetros para la longitud de retraso, n. Incluyendo 3, 4, 5, 6, 9 y 12 meses. Los datos se obtienen de la base de datos de Commodity Research Bureau, desde la cual los autores pueden extraer precios diarios para 28 mercados de futuros. Para los propósitos del análisis, los autores usan siempre el contrato cercano y ruedan el último día del mes antes de que el contrato expire. Los datos se agregan en una serie mensual para el análisis. Los mercados de futuros elegidos representan una amplia representación de los mercados de futuros agrícolas, industriales, de metales preciosos y de energía y específicamente excluyen futuros de divisas y otros futuros financieros. Los autores también aplican las pruebas a la negociación de los futuros de Goldman Sachs Commodity Index (GSCI). Mediante el uso de datos de volumen, también son capaces de examinar las rentabilidades de un subconjunto que excluye los ocho productos básicos con el menor volumen total de operaciones. Para calcular los retornos de negociación, los autores implementan operaciones asignando una cantidad nocional igual a cada producto en el universo de inversión para cada combinación de parámetros de cada una de las tres estrategias. Los rendimientos se informan para toda la muestra de julio de 1959Deciembre de 2007 y para las submuestras de 19581971, 19721983, 19841995 y 19962007. Para la muestra entera, todos los resultados son significativamente positivos al nivel del 1 por ciento utilizando los errores estándar de NeweyWest. Los rendimientos neto netos de los excedentes de los fondos agrupados varían de 0,33 por ciento a 0,49 por ciento al mes, con tasas de Sharpe que oscilan entre 0,42 y 0,64. Al dividir los datos en las submuestras, los autores encuentran que los tres primeros resultados de la submuestra son generalmente comparables con los de todo el período. Para el período 1996-2007, la comparación es más débil, con el DMAC y las estrategias de canal que muestran rendimientos positivos estadísticamente significativos para tres de seis estrategias de canal y cinco de seis parametrizaciones de DMAC en comparación con ningún rendimiento significativo (al nivel de 5 por ciento) Estrategias de impulso. Al limitar el análisis a los productos más líquidos, los autores reportan resultados similares, aunque los rendimientos son ligeramente más bajos. Sin embargo, la aplicación de las estrategias a los futuros GSCI produce resultados mixtos y los autores señalan que la razón es que se supone que el momentum es un efecto específico de la seguridad en lugar de un efecto marketwide. Los autores realizan pruebas de robustez usando simulaciones de bootstrap para abordar la asunción de normalidad de la estadística NeweyWest que usaron. Aplicando las estrategias a las historias bootstrap y demostrando que la mejor estrategia supera todas las estrategias aplicadas a las historias bootstrap, muestran que el resultado es poco probable que se explique por el snooping de datos. También aplican una corrección de Bonferroni, y de nuevo, encuentran que las mejores estrategias son todavía muy importantes. Finalmente, los autores muestran que los resultados son robustos a los supuestos más pesimistas de los costos de transacción. En general, los autores demuestran la eficacia de las estrategias de seguimiento de tendencias y de impulso en los mercados de productos básicos. Demuestran que estos resultados son robustos a la formulación de reglas comerciales, supuestos distributivos, ajustes de minería de datos y costos de transacción. Información de Autor Original Andrew C. Szakmary está en la Escuela de Negocios de Robins, Universidad de Richmond. Los usuarios que leen este artículo también leen Buscar publicaciones
Comments
Post a Comment