Glidande Medelvärde Förhållandet Momentum

Moving Momentum Moving Momentum Inledning Många handelsstrategier bygger på en process, inte en enda signal. Denna process involverar ofta en rad steg som i slutändan leder till en signal. Typiskt etablerar kartläggare först en handelsförskjutning eller långsiktigt perspektiv. För det andra väntar kartiker på återköp eller studsar som förbättrar riskfördelningsförhållandet. För det tredje ser charters efter en omkastning som indikerar en efterföljande uppgång eller nedgång i pris. Strategin som presenteras här använder glidande medelvärde för att definiera trenden, den stokastiska oscillatorn för att identifiera korrigeringar inom den trenden och MACD-histogrammet för att signalera kortsiktiga reverseringar. Det är en komplett strategi baserad på en tre stegs process. Definiera indikatorerna Flyttande medelvärden är trend-efter-indikatorer som fördröjer pris. Det betyder att den faktiska trenden ändras innan de glidande medelvärdena genererar en signal. Många handlare är avstängda av denna lag, men det gör dem inte helt ineffektiva. Flytta genomsnittliga smala priser och ge kartläggare ett renare prisutbud, vilket gör det enklare att identifiera den allmänna trenden. Denna strategi sysselsätter två glidande medelvärden för att definiera handelsförspänningen. Förspänningen är bullish när det kortare rörliga genomsnittet rör sig över det längre glidande medlet. Förspänningen är baisse när det kortare rörliga genomsnittet rör sig under det längre rörliga genomsnittet. Medan diagramörer kan använda en kombination av glidande medelvärden använder den här artikeln 20-dagars SMA och 150-dagars SMA. Exemplet nedan visar att Baxter International (BAX) flyttade från en haussehandelskompetens till en bearish trading bias eftersom 20-dagars SMA flyttade under 150-dagars SMA i mitten av augusti. Den andra delen av denna handelsstrategi använder den stokastiska oscillatorn för att identifiera korrigering. Som en bunden oscillator som fluktuationer mellan 0 och 100 är den stokastiska oscillatorn idealisk för att upptäcka kortsiktiga återdrag eller studsar. Ett drag under 20 signalerar en återgång i priser, medan ett steg över 80 signalerar en studsning i priser. Den tredje delen av denna handelsstrategi använder MACD-histogrammet för att identifiera uppgångar och nedgångar i priserna. MACD-histogrammet mäter skillnaden mellan MACD och dess signallinje. Indikatorn är positiv när MACD ligger över sin signallinje och negativ när MACD ligger under dess signallinje. MACD-histogrammet blir positivt när priserna dyker upp och blir negativa när priserna slocknar. 1. Flyttande medelvärden visar en haussehandelns förspänning med 20-dagars SMA-handel över 150-dagars SMA. 2. Stokastisk oscillator rör sig under 20 för att signalera en återdragning. 3. MACD-histogrammet flyttas till positivt territorium för att signalera en uppgång efter återdragningen. Exemplet ovan visar Polo Ralph Lauren (RL) med några köpssignaler. Först märker du att den 20-dagars SMA ligger över 150-dagars SMA för att skapa en haussehandelskompetens. För det andra sjönk den stokastiska oscillatorn under 20 för att indikera ett prisutdrag och ett gynnsamt risk-belöningsförhållande. Diagrammen vänder sig sedan till MACD-Histogrammet för att signalera ett slut till dragbacken med ett drag i positivt territorium. Observera att MACD-histogrammet nästan alltid ligger i negativt territorium när den stokastiska oscillatorn rör sig under 20. Ibland är indikatorn negativ under en vecka eller två så det är viktigt att vänta på bekräftelse av en uppgång. 1. Flyttande medelvärden visar en baissehandelskedja med 20-dagars SMA-handel under 150-dagars SMA. 2. Stokastisk oscillator rör sig över 80 för att signalera en studsning. 3. MACD-histogrammet flyttas till negativt territorium för att signalera en nedgång efter studsningen. Exemplet ovan visar Flour Corp (FLR) med några säljsignaler. Först blev handelsbiasiteten baisse när 20-dagars SMA flyttade under 150-dagars SMA i juni. För det andra flyttade den stokastiska oscillatorn över 80 flera gånger i takt med att priserna studsade inom downtrend. Ett steg över 80 är bara en varning för att titta på MACD-histogrammet nära. Att agera över 80 kan leda till en förlorad handel eftersom det ibland kan ta en vecka eller två för att priserna ska gå ner igen. Den tredje och sista signalen är när MACD-histogrammet blir negativt. Handelsexempel Exemplet nedan visar United Parcel Service (UPS) med sex signaler över en 12 månadersperiod. Detta är inte det mest idealiska exemplet, men det ger viss insikt i verklig världshandel, vilket ofta inte är idealiskt. Det fanns fyra olika handelsförspänningar på detta diagram. De gula områdena markerar två perioder med en bearish trading bias och två perioder med en haussehandel förhandsbaserad. Bearish signaler ignoreras när bias är bullish. Bullish signaler ignoreras när bias är baisse. Efter den stokastiska oscillatorn signalerade pullbacks i mars och april, vände MACD-histogrammet positivt för att utlösa två haussecken (1 och 2). Dessa varade inte länge eller fungerade bra eftersom handel var ganska hakig. De tunna blå linjerna markerar stödnivåer som kunde ha använts för första stopp. En baisse bias startade i juni och det var en baisse signal i mitten av juli (3), som inträffade strax innan bias bytte till hausse. Detta var en knepig signal, men diagrammet som ställde en stoppförlust vid motståndet skulle ha varit kvar i positionen och fångat den stora nedgången. Efter några fler whipsaws (4 och 5) utlöste strategin ett bra bullish signal i början av december. Med fyra indikatorer finns det många olika sätt att tweak denna strategi. Chartister kan justera de glidande medelvärdena för att omdefiniera trenden. Istället för 20-dagars - och 150-dagars SMA kan diagramisterna förlänga tidsramen för ett jämnare perspektiv på trenden. Alternativt kan kartläggare använda ett långsiktigt glidande medelvärde och jämföra de faktiska priserna till det glidande medlet för trendidentifiering. Oscillatorerna kan förkortas för att öka känsligheten eller förlängas för att minska känsligheten. En 10-dagars stokastisk oscillator skulle bli överköptranslöser oftare än en 20-dagars stokastisk oscillator. På samma sätt skulle MACD-histogrammet (5,30,9) korsa nolllinjen oftare än MACD-Histogram som används med standardinställningarna (12,26,9). Beslutet att öka eller minska känslighetsstöd med egenskaperna hos den underliggande säkerheten. Lager med lägre volatilitet, som i sektorerna för verktyg och konsumentklammer, skulle motivera mer känsliga inställningar. Lager med högre volatilitet, såsom de inom teknik och bioteknik, kan motivera mindre känsliga inställningar. Tricket är att hitta den inställning som producerar tillräckligt med signaler, men inte för många. Slutsatser Denna Moving Momentum-strategi ger kartor ett sätt att handla i riktning mot den större trenden. Dessutom är denna strategi utformad för att identifiera lägre risk och högre belöningsmöjligheter genom att vänta på korrigeringar. Det rörliga genomsnittet sätter tonen, hausse eller bearish. Den stokastiska oscillatorn används för att identifiera dragningar inom större uppåtgående sträckor och studsar i större nedåtgående trender. MACD-histogrammet används för att signalera slutet på en återställning eller studsa. Tänk på att denna artikel är utformad som en utgångspunkt för handelssystemutveckling. Använd dessa idéer för att öka din handelsstil, riskbelöningspreferenser och personliga bedömningar. Klicka här för ett diagram över IBM med 20-dagars SMA, 150-dagars SMA, Stokastisk Oscillator och MACD-Histogram. För några månader sedan hade jag ett inlägg om Momentum Echo (klicka här för att läsa inlägget). Jag sprang över en annan relativ styrka (eller momentum om du föredrar) papper som testar ytterligare en faktor. I Seung-Chan Parks papper, The Moving Average Ratio och Momentum, ser han på förhållandet mellan ett kort och långsiktigt glidande medelvärde av priset för att rangordna värdepapper med styrka. Detta skiljer sig från de flesta andra akademiska litteraturerna. De flesta andra studier använder enkla point-to-point prisavkastning för att rangordna värdepapperen. Tekniker har använt glidande medelvärden i åratal för att utjämna prisrörelsen. För det mesta ser vi att människor använder korsningen av ett glidande medelvärde som en signal för handel. Park använder en annan metod för sina signaler. Istället för att titta på enkla korsar jämför han förhållandet mellan ett glidande medelvärde och en annan. Ett lager med 50-dagars glidande medelvärde betydligt över (nedan) 200-dagars glidande medelvärde kommer att ha en hög (låg) ranking. Värdepapper med 50-dagars glidande medelvärde mycket nära 200-dagars glidande medelvärde kommer att hamna i mitten av förpackningen. I papperet är Park delvis till 200-dagars glidande medelvärde som det långsiktiga glidande medlet, och han testa en mängd kortfristiga medelvärden från 1 till 50 dagar. Det borde inte överraska att de alla arbetar Faktum är att de tenderar att fungera bättre än enkla prisavkastningsbaserade faktorer. Det kom inte som en stor överraskning för oss, men bara för att vi har spårat en liknande faktor i flera år som använder två glidande medelvärden. Vad som alltid har förvånat mig är hur bra den faktorn gör jämfört med andra beräkningsmetoder över tiden. Faktorn vi har spårat är det glidande medelvärdet för ett 65-dagars glidande medelvärde till 150-dagars glidande medelvärde. Inte exakt samma som vilken park som testades, men likvärdig. Jag drog de uppgifter vi har om denna faktor för att se hur det jämförs med standardpriserna för 6- och 12-månaders prisavkastning. För detta test används toppens dekilering. Portföljer bildas varje månad och återbalanseras varje månad. Allt körs på vår databas, vilket är ett universum som mycket liknar SP 500 SP 400. (Klicka för att förstora) Våra data visar samma sak som Parks-tester. Att använda ett förhållande av glidande medelvärden är betydligt bättre än bara genom att använda enkla prisavkastningsfaktorer. Våra tester visar det glidande medelvärdet som ger cirka 200 bps per år vilket inte är en liten prestation. Det är också intressant att notera att vi kom fram till exakt samma slutsats med olika parametrar för glidande medelvärde och en helt annan dataset. Det går bara för att visa hur robust konceptet relativ styrka är. För de läsare som har läst våra vitbok (tillgänglig här och här) kanske du undrar hur denna faktor utför med vår Monte Carlo testprocess. Jag kommer inte att publicera dessa resultat i det här inlägget, men jag kan säga att den här rörliga medelfaktorn är konsekvent nära toppen av de faktorer vi spårar och har mycket rimlig omsättning för avkastningen den genererar. Att använda ett glidande medelvärde är ett mycket bra sätt att rangordna värdepapper för en relativ styrstrategi. Historiska data visar att det fungerar bättre än enkla prisfaktorer över tiden. Det är också en mycket robust faktor eftersom flera formuleringar fungerar, och det fungerar på flera dataset. Den här inlägget publicerades torsdagen den 26 augusti 2010 klockan 1:39 och är arkiverad under Relative Strength Research. Du kan följa några svar på denna post via RSS 2.0-flödet. Du kan lämna ett svar. eller trackback från din egen webbplats. 9 Responses to Moving Average Ratio och Momentum Ett annat rörligt medelbaserat alternativ till att använda punkt-till-punkt-momentum tar det rörliga genomsnittet av momentum 8230 Om du till exempel kontrollerar enkla momentum rankas dagligen, är it8217s väldigt bullrigt har den primära lösningen varit , 8220don8217t kontrollera dagligen, 8221 dvs check månadsvis eller kvartalsvis och återanvänd och balansera innehav. Du kan dock kontrollera dagligen och eventuellt återbalansera dagligen, med mycket mindre ljud om du använder det 21-dagars glidande medlet på 252-dagars momentum istället för att använda 12 månaders momentum. Detta är också ekvivalent, BTW, till förhållandet mellan today8217s 21-dagars glidande medelvärde och 21-dagars glidande medelvärde. Fördelen med att använda momentumgenomsnittet är att du har mer lyhördhet för förändringar i momentum än vad du gör om du kontrollerar universum på en gång eller en gång. Visst är det mycket mer hanterbart att använda MA-tekniken om du har ett mindre universum att tillämpa det på eftersom jag använder en grupp ETFs som mitt universum, fungerar det bra för mig. Med tanke på att you8217re arbetar i ett universum med 900 aktier och avslöjar innehav i ett fondformat, kanske det inte är tillämpligt på dig, men jag trodde du kanske tycker det är intressant. Detta är också ekvivalent, BTW, till förhållandet mellan dagens 21-dagars glidande medelvärde och 21-dagars glidande genomsnitt FRÅN 252 DAGAR AGO 8211 EDIT. John Lewis säger: Vi spårar också faktorer som tar ett rörligt medelvärde av en momentumberäkning eller poäng. Den gamla tekniken8217 trick att använda en MA för att jämna ut bruset fungerar på relativ styrka precis som det gör på råpris. Frekvensen av återbalans bestämmer ofta vilken typ av modell du kan använda. Vi driver strategier som bara kan balanseras en gång i kvartalet, och vi måste använda olika modeller för dem än vi gör för strategier som vi tittar på dagligen eller veckovis. Båda metoderna fungerar om du använder rätt faktor, och vi har funnit att en ökning av återbalansfrekvensen automatiskt ökar avkastningen. Ibland tar det bort från avkastningen. Det beror helt på faktorn och hur du implementerar den (åtminstone i min erfarenhet). Med universerna och parametrarna I8217ve testade det på, har jag inte noterat vad jag skulle kalla 8220 statistiskt signifikanta8221 förbättringar i gengäld när man bytte från månatliga rebeller till rörliga genomsnittliga tekniker som möjliggör (möjligen åtminstone) dagliga rebeller. Vad jag noterat har varit för det mesta som I8217d kallar motsvarande avkastning i backtestdata. Jag har särskilt noterat att det genomsnittliga antalet handelsrundturer är bara mycket lite högre med den dagliga förändringspotentialen, dvs det finns några whipsaws, men endast några. Vad jag personligen tycker om potentialen för dagliga förändringar är, om hypotetiskt en av problemen I8217m kraschar och bränner, skulle MA-tekniken gå ut snabbare (och ersätta med en annan säkerhet). Självfallet skedde det inte tillräckligt under backtestens gång för att driva en signifikant skillnad i resultat, men det ger en fin salva till min psyke. Jag antar att när I8217m gick i pension och körde mitt program från någon strand någonstans föredrar I8217ll bara att checka in varje månad. That8217s senare. För närvarande medan I8217m på datorn dagligen ändå, kan lika bra springa mina scanningar Paul Montgomery säger: 8220 Jag kommer inte att publicera dessa resultat i det här inlägget, men jag kan säga att den här glidande medelfaktorn är konsekvent nära toppen av de faktorer vi spårar Och har mycket rimlig omsättning för avkastningen det genererar8221 Stora post 8211 skulle älska att se mer på denna John Intressant post faktiskt 8211 Jag har läst mycket av papper på detta och undersöker dess effektivitet8230 Det enda jag inte kan förstå är hur en fond som AQR, som föreslår en annan form av momentuminvestering, gör så illa. Deras teoretiska avkastning är cirka 13 per år, men den faktiska fonden är fortfarande i minus. Undrar om att investera i den här ideen av din kommer att ge resultat nära de testade beloppen8230Förflyttande medelvärde och momentum (Digest-sammanfattning) Författaren undersöker prognosförmågan hos det glidande genomsnittliga förhållandet (MAR) för framtida avkastning. Han upptäcker att den prediktiva kraften för MAR för framtida avkastning är oberoende av tidigare avkastning och av närheten av aktiens nuvarande pris till dess 52 veckors höga. Författaren undersöker effektiviteten av det glidande genomsnittliga förhållandet (MAR) av kortsiktiga och långsiktiga glidmedel för att förutsäga framtida avkastning. Han tittar också på huruvida denna prediktiva förmåga skiljer sig från tidigare avkastning och från förhållandet mellan ett lager nuvarande pris till dess 52 veckors höga. I sin analys jämför författaren lönsamheten i tre investeringsstrategier. Den första investeringsstrategin är baserad på en portfölj som omfattar köp och försäljning av ett antal aktier på grundval av avkastning som genererats under de senaste 6 och 12 månaderna. Den andra strategin består av aktier som valts utifrån förhållandet mellan nuvarande pris och 52 veckor högt. Den tredje strategin beräknar avkastningen på grundval av förhållandet mellan 50-dagars glidande medelvärde och 200-dagars MAR. Data som används för denna analys erhålls från CRSPs USA-databas för juli 1962 till december 2004. Författaren använder två prover från CRSP-databasen. Det första urvalet omfattar alla aktier som handlas på NYSE, Amex och NASDAQ, förutom de aktier med ett marknadsvärde som placerar dem i de minsta NYSE-decilerna och lagren är lägre än 5. Det andra provet liknar det första, men det inkluderar minsta NYSE-deciler och lager prissatta under 5. Författaren konstaterar att MAR är positivt korrelerat med tidigare avkastning och med förhållandet mellan ett lager nuvarande pris och dess 52 veckors höga. Vid jämförelsen av de råa och riskjusterade vinsterna från de tre investeringsstrategierna upptäcker han att den 52 veckors höga strategin och MAR-strategin ger ekonomiskt och statistiskt signifikant vinst men att MAR-strategin är mer lönsam och har högre t-värde . Han hävdar att MAR-strategin fortfarande ger den största vinsten när januari utesluts från innehavsperioden. För att bestämma om riskfaktorer kan förklara vinsten i de tre investeringsstrategierna, författar författaren vinst - och förlorarportföljerna tillsammans med vinsten för varje strategi genom att använda FamaFrench-trefaktorns regression. Resultaten visar att FamaFrench-faktorerna bidrar negativt till vinsterna från momentumstrategierna. En parvis jämförelse av lönsamheten i de tre investeringsstrategierna visar att MAR-strategin är mer lönsam än strategin för återvändande-dynamik och att MAR-vinstportföljen genererar en mer statistiskt signifikant avkastning än de 52 veckor höga vinnarna. Författaren undersöker också om MAR kan förutsäga framtida avkastning oberoende av både tidigare avkastning och 52 veckors höga genom att beräkna innehavsperioden återkommer för två portföljer. Den första portföljen är baserad på MAR och en 12 månaders avkastningsstrategi, den sorteras först med 12 månaders avkastning och därefter vid MAR, följt av ett annat sort först vid MAR och därefter med 12 månaders avkastning. Den andra portföljen är baserad på MAR och en 52 veckors hög strategi som sorteras först vid 52 veckors höga och därefter vid MAR, följt av ett annat slag först vid MAR och sedan vid 52 veckors höga. Resultaten av detta test avslöjar inte bara att MAR har större prediktiv effekt än 12 månaders återgång men också att MAR är en oberoende signal. På samma sätt har MAR förutsägda krafter som skiljer sig från den 52 veckors höga strategin. Författaren utför därefter en FamaMacBeth-stil tvärsnittsregeringsanalys för att identifiera den marginella effekten av att tillhöra vinnaren eller förlorareportföljen i var och en av de tre investeringsstrategierna. Resultaten avslöjar att den prediktiva kraften i 12 månaders avkastning kan förklaras av närheten till den 52 veckors höga eller förhållandet mellan kortsiktiga och långsiktiga glidmedel. Analysen visar också att MAR-strategin, till skillnad från de andra strategierna, genererar betydande vinster från både vinnare och förlorareportföljer. Författaren föreslår att en förankringsförspänning till 52 veckors höga eller MAR är en bättre förklarande faktor för mellantidsmoment än vad gäller investerares konservatism eller övertygelse. Slutligen utför författaren ett robusthetstest genom att använda olika glidande medelvärden för att representera den korta och långsiktiga MAR och upptäcker att varje MAR-kombination fortfarande genererar statistisk vinst och stöder den prediktiva kraften hos MAR. Författaren avslutar med att notera att prognoser baserade på MAR inte vänder sig på lång sikt, vilket tyder på att mellanfristiga momentum och långsiktiga reverseringar är separata begrepp. Original Författarinformation Seung-Chan Park är vid Adelphi University. Användare som läser den här artikeln läser ocksåTest Market Timing Models Med det här verktyget kan du testa olika marknads timing och taktiska fördelningsmodeller baserade på glidande medelvärden, momentum, marknadsvärdering och målvolatilitet. De stödda modellerna inkluderar: Shiller PE Ratio Marknadsvärdering Moving Averages - Single Asset Moving Medelvärden - Portföljtillgångar Momentum - Relativ Styrka Momentum - Dual Momentum Momentum - Adaptiv Allokering Målvolatilitet Du kan hitta en sammanfattning av den valda taktiska fördelningsmodellen nedan och en mer detaljerad beskrivning i FAQ-sektionen. Shiller PE Ratio Marknadsvärdering Shiller PE Ratio (PE10) Marknadsvärderingsbaserad tidsmodell använder skift fördelningen mellan aktier och obligationer enligt följande: PE10 gt 22 - 40 aktier, 60 obligationer 14 lt PE10 lt 22-60 aktier, 40 obligationer PE10 lt 14 - 80 aktier, 20 obligationer Den balanserade 60 aktierna och 40 obligationsallokering används som referensportfölj. Utvecklingsmedelvärden - enstaka tillgångar Den rörliga genomsnittliga tidsmodellen är antingen placerad i en särskild aktie, ETF eller fond eller alternativt kontant eller annan riskfri tillgång baserad på den rörliga genomsnittssignalen. Modellen placeras i tillgången när slutkursen i slutet av månaden är större än det glidande genomsnittet och modellen flyttas till kontanter när slutet av månadens justerade slutkurs är mindre än det glidande genomsnittet. Modellen stöder också att använda glidande medelvärde som signal. Flyttande medelvärden - Portföljtillgångar Den rörliga genomsnittliga modellen tillämpar den glidande medelvärdet för varje portföljtillgång. Modellen är placerad i en portföljtillgång när slutet av månadens justerade slutkurs är större än det glidande genomsnittet och fördelningen flyttas till kontanter när slutet av månadens justerade slutkurs är mindre än det glidande genomsnittet. Modellen stöder också att använda glidande medelvärde som signal. Momentum - Relativ styrka Den relativa styrka momentummodellen investerar i de mest framgångsrika tillgångarna i modellen baserat på varje tillgångar tidigare avkastning. Momentet kan baseras på en enda tidsperiod eller flera viktiga tidsperioder. Dessutom stöder modellen att använda glidande medelvärden som en riskkontroll för att bestämma om investeringar ska flyttas till kontanter. Momentum - Dual Momentum Dual-momentmodellen använder relativ momentum för att välja de bästa resultatmodellerna och införlivar absolut momentum som ett filter för att investera i kontanter om överskottsavkastningen för den valda tillgången över kontanter är negativ. Adaptiv fördelning Den adaptiva tillgångstilldelningsmodellen kombinerar relativ styrkt momentmoment med olika tillgångsviktning. Den relativa styrmodellen använder lika stor viktfördelning för de modellerade tillgångarna, medan den adaptiva tillgångsallokeringen använder antingen invers volatilitetsbaserad riskparitetsallokering eller minimivariansallokering för modelltillgångarna för att minimera den förväntade volatiliteten. Målvolatilitet Målvolatilitetsmodellen anpassar portföljens marknadsexponering baserat på den realiserade historiska volatiliteten och det givna volatilitetsmålet. Kassaflödet i portföljen ökar eller minskar efter behov för att möta den riktade volatilitetsnivån för att förbättra den riskjusterade prestandan. Hitta ETF, ömsesidig fond eller aktiesymbol