Tendência de seguir estratégias de negociação em futuros de commodities: A re-exame Andrew C. Szakmary a. . , Qian Shen b. , Subhash C. Sharma c. Departamento de Finanças, Escola de Negócios Robins, Universidade de Richmond, VA 23173, EUA b Departamento de Economia e Finanças, Escola de Negócios, Alabama Universidade AampM, Normal, AL 35762, EUA c Departamento de Economia, Southern Illinois University at Este artigo examina o desempenho das estratégias de negociação seguindo tendências nos mercados de futuros de commodities usando um conjunto de dados mensal que abrange 48xA0years e 28 mercados. Descobrimos que todas as parametrizações das estratégias de cruzamento e de canal de média móvel dupla que implementamos geram rendimentos positivos médios líquidos em pelo menos 22 dos 28 mercados. Quando reunimos nossos resultados em todos os mercados, mostramos que todas as regras de negociação ganham retornos positivos extremamente significativos que prevalecem sobre a maioria dos subperíodos dos dados também. Estes resultados são robustos em relação ao conjunto de mercadorias com as quais as regras de negociação são implementadas, pressupostos distribucionais, ajustes de mineração de dados e custos de transações e ajudam a resolver evidências divergentes na literatura existente sobre o desempenho de estratégias de tendência e de tendência pura que É de outra forma difícil de explicar. Os autores exploram a rentabilidade da tendência de seguir e as estratégias de impulso nos mercados de futuros de commodities (Mercados de futuros de commodities). Eles testam várias variações dessas estratégias, incluindo momentum transversal, uma regra de cruzamento de média móvel dupla e uma regra de canal. Eles acham retornos positivos significativos e demonstram que os resultados também são robustos para suposições distribucionais, ajustes de mineração de dados e custos de transação. Os autores examinam três variações de estratégias de momentum. O primeiro é uma formulação transversal que é comum na literatura de equidade. Ao final de cada mês, eles classificam todas as commodities com base no seu retorno total durante os períodos de formação, que são 1, 2, 3, 6, 9 e 12 meses. Em seguida, eles tomam posições longas no terço superior, posições curtas no terço inferior e nenhuma posição no terço médio. A próxima estratégia é uma estratégia de impulso explícita baseada em um cruzamento de média móvel dupla (DMAC) em cada mercadoria de forma independente. A média móvel de curto prazo é de 1 ou 2 meses ea média móvel de longo prazo é de 6 ou 12 meses. Eles também consideram uma faixa neutra em que nenhuma posição é tomada quando as médias móveis estão dentro de uma faixa de 5 por cento um do outro. A estratégia final é a regra do canal. Uma posição longa é tomada se o valor da mercadoria exceder os valores unitários máximos de fim de mês nos últimos n meses e uma posição curta é tomada se o valor mais recente for inferior ao mínimo dos valores de fim de mês Nos últimos n meses. Vários parâmetros são considerados para o comprimento do lag, n. Incluindo 3, 4, 5, 6, 9 e 12 meses. Os dados são obtidos a partir da base de dados Commodity Research Bureau, a partir do qual os autores são capazes de extrair preços diários para 28 mercados futuros. Para efeitos da análise, os autores utilizam sempre o contrato próximo e rolam no último dia do mês antes da expiração do contrato. Os dados são então agregados em uma série mensal para a análise. Os mercados de futuros escolhidos representam um amplo corte transversal de mercados de futuros agrícolas, industriais, de metais preciosos e de energia e especificamente excluem futuros de moedas e outros futuros financeiros. Os autores também aplicam os testes à negociação do Goldman Sachs Commodity Index (GSCI) futuros. Usando dados de volume, eles também são capazes de examinar os retornos de um subconjunto que exclui as oito commodities com o volume de negociação geral mais baixo. Para calcular os retornos de negociação, os autores implementam transações alocando um valor nocional igual a cada mercadoria no universo de investimento para cada combinação de parâmetros de cada uma das três estratégias. Os retornos são relatados para a amostra inteira de julho de 1959Dezembro de 2007 e para as subamostras de 19581971, 19721983, 19841995 e 19962007. Para a amostra inteira, todos os resultados são mostrados para ser significativamente positivo ao nível de 1 por cento usando NeweyWest erros padrão. Os retornos líquidos médios não alavancados variam de 0,33% a 0,49% ao mês, com os índices de Sharpe variando de 0,42 a 0,64. Dividindo os dados nas subamostras, os autores acham que os três primeiros resultados da subamostra são geralmente comparáveis com os de todo o período. Para o período de 1996 a 2007, a comparação é mais fraca, com as estratégias DMAC e canal apresentando resultados positivos estatisticamente significativos para três de seis estratégias de canal e cinco de seis parametrizações de DMAC em comparação com nenhum retorno significativo (ao nível de 5 por cento) para o cross-sectional Estratégias de momentum. Ao limitar a análise às commodities mais líquidas, os autores relatam resultados semelhantes, embora os retornos sejam ligeiramente menores. Aplicar as estratégias aos futuros do GSCI, entretanto, produz resultados mistos, e os autores apontam que a razão é que o momentum é geralmente assumido como sendo um efeito específico de segurança e não um efeito marketwide. Os autores realizam testes de robustez usando simulações bootstrap para abordar a suposição de normalidade do teste estatístico NeweyWest que eles usaram. Aplicando as estratégias às histórias bootstrap e demonstrando que a melhor estratégia supera todas as estratégias aplicadas às histórias bootstrap, eles mostram que o resultado é improvável que seja explicado por snooping de dados. Eles também aplicam uma correção Bonferroni, e novamente, eles acham que as melhores estratégias ainda são muito significativas. Finalmente, os autores mostram que os resultados são robustos a suposições mais pessimistas dos custos de transação. Em geral, os autores demonstram a eficácia das estratégias de tendência e de impulso nos mercados de commodities. Eles demonstram que esses resultados são robustos para a formulação de regras de negociação, suposições distribucionais, ajustes de mineração de dados e custos de transação. Informação do Autor Andrew C. Szakmary está na Escola de Negócios Robins, da Universidade de Richmond. Os autores analisam a rentabilidade da tendência de seguir e estratégias de impulso nos mercados de futuros de commodities. Eles testam várias variações dessas estratégias, incluindo momentum transversal, uma regra de cruzamento de média móvel dupla e uma regra de canal. Eles acham retornos positivos significativos e demonstram que os resultados também são robustos para suposições distribucionais, ajustes de mineração de dados e custos de transação. Os autores examinam três variações de estratégias de momentum. O primeiro é uma formulação transversal que é comum na literatura de equidade. Ao final de cada mês, eles classificam todas as commodities com base no seu retorno total durante os períodos de formação, que são 1, 2, 3, 6, 9 e 12 meses. Em seguida, eles tomam posições longas no terço superior, posições curtas no terço inferior e nenhuma posição no terço médio. A próxima estratégia é uma estratégia de impulso explícita baseada em um cruzamento de média móvel dupla (DMAC) em cada mercadoria de forma independente. A média móvel de curto prazo é de 1 ou 2 meses ea média móvel de longo prazo é de 6 ou 12 meses. Eles também consideram uma faixa neutra em que nenhuma posição é tomada quando as médias móveis estão dentro de uma faixa de 5 por cento um do outro. A estratégia final é a regra do canal. Uma posição longa é tomada se o valor da mercadoria exceder os valores unitários máximos de fim de mês nos últimos n meses e uma posição curta é tomada se o valor mais recente for inferior ao mínimo dos valores de fim de mês Nos últimos n meses. Vários parâmetros são considerados para o comprimento do lag, n. Incluindo 3, 4, 5, 6, 9 e 12 meses. Os dados são obtidos a partir do banco de dados Commodity Research Bureau, a partir do qual os autores são capazes de extrair preços diários para 28 mercados futuros. Para efeitos da análise, os autores utilizam sempre o contrato próximo e rolam no último dia do mês antes da expiração do contrato. Os dados são então agregados em uma série mensal para a análise. Os mercados de futuros escolhidos representam um amplo corte transversal de mercados de futuros agrícolas, industriais, de metais preciosos e de energia e especificamente excluem futuros de moedas e outros futuros financeiros. Os autores também aplicam os testes à negociação do Goldman Sachs Commodity Index (GSCI) futuros. Usando dados de volume, eles também são capazes de examinar os retornos de um subconjunto que exclui as oito commodities com o volume de negociação geral mais baixo. Para calcular os retornos de negociação, os autores implementam transações alocando um valor nocional igual a cada mercadoria no universo de investimento para cada combinação de parâmetros de cada uma das três estratégias. Os retornos são relatados para a amostra inteira de julho de 1959Dezembro de 2007 e para as subamostras de 19581971, 19721983, 19841995 e 19962007. Para a amostra inteira, todos os resultados são mostrados para ser significativamente positivo ao nível de 1 por cento usando NeweyWest erros padrão. Os retornos líquidos médios não alavancados variam de 0,33% a 0,49% ao mês, com os índices de Sharpe variando de 0,42 a 0,64. Dividindo os dados nas subamostras, os autores acham que os três primeiros resultados da subamostra são geralmente comparáveis com os de todo o período. Para o período de 1996 a 2007, a comparação é mais fraca, com as estratégias DMAC e de canal apresentando resultados positivos estatisticamente significativos para três das seis estratégias de canal e cinco das seis parametrizações de DMAC comparadas com os retornos não significativos (nível de 5%) para o cross-sectional Estratégias de momentum. Ao limitar a análise às commodities mais líquidas, os autores relatam resultados semelhantes, embora os retornos sejam ligeiramente menores. Aplicar as estratégias aos futuros do GSCI, entretanto, produz resultados mistos, e os autores apontam que a razão é que o momentum é geralmente assumido como sendo um efeito específico de segurança e não um efeito marketwide. Os autores realizam testes de robustez usando simulações bootstrap para abordar a suposição de normalidade do teste estatístico NeweyWest que eles usaram. Ao aplicar as estratégias às histórias bootstrap e demonstrar que a melhor estratégia supera todas as estratégias aplicadas às histórias bootstrap, eles mostram que o resultado é improvável que seja explicado por snooping de dados. Eles também aplicam uma correção Bonferroni, e novamente, eles acham que as melhores estratégias ainda são muito significativas. Finalmente, os autores mostram que os resultados são robustos a suposições mais pessimistas dos custos de transação. Em geral, os autores demonstram a eficácia das estratégias de tendência e de impulso nos mercados de commodities. Eles demonstram que esses resultados são robustos para a formulação de regras de negociação, suposições distributivas, ajustes de mineração de dados e custos de transação. Informação do Autor Andrew C. Szakmary está na Escola de Negócios Robins, da Universidade de Richmond. Usuários que lerem este artigo também lerão Publicações da Pesquisa
No comments:
Post a Comment