使用经典方法奖励风险动量策略

2022-5-6 01:25:50

不幸的是，尽管有各种各样的解释和解释，价格动量的起源仍然是神秘的*通讯地址：美国纽约州立大学石溪分校应用数学与统计系，邮编：11794。传真：+1-631-632-8490。电子邮件地址：jaehyung。choi@stonybrook.edu（蔡杰荣），亚伦。kim@stonybrook.edu（金小新），伊万。mitov@finanalytica.com（伊万·米托夫）于2018年9月18日向爱思唯尔提交了关于异常情况的预印本。这些方法包括超前-滞后效应或自动/横截面相关性（Lo和MacKinlay（1990）；Lewellen（2002）），投资者对该消息反应过度/不足（Hong和Stein（1999）；特伦斯等人（2000年）；丹尼尔等人（1998）；B arberis等人（1998））、部门动量（Moskowitz和Grinblatt（1999））、收益平价对称性破缺（Choi（2012））和交易成本（Lesmond等人（2004））。然而，目前还没有一个完整的框架来解释市场异常现象。这种反常现象，即金融资产价格的未来方向可以通过过去的价格历史来预测，对于需要预测资产价格和制定有利交易策略的金融从业者来说也很有趣。当资产价格形成趋势时，它倾向于保持趋势，即过去的赢家很可能在未来表现优于过去的输家。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:25:53

利用基于动量异常的预测，对于想要实施动量策略的投资者来说，买入过去的赢家，卖空过去的输家是显而易见的。然而，在实践中，从嘈杂的数据中检测价格趋势并不容易。此外，如果在没有深入了解价格动力来源的情况下实施幼稚策略，则始终存在亏损风险。从这些意义上讲，对公共关系动量进行更深入的分析是必不可少的，而寻找潜在的动量因素对学术界和从业者来说是一项重要任务。一个简单的方法是使用替代股票选择规则来实施动量策略，该规则包含潜在的动量驱动因素。文献中考虑的几个因素包括时间序列模型（Moskowitz et al.（2012））、交易量（Lee and Swaminathan（2000））、流动性（Datar et al.（1998））；阿米哈德和门德尔森（1986）；胡（19 97）；Amihud（2002）），52周高价（Geo-rge和Hwang（2004）；Liu等人（2011））、物理动量（Choi（2014a））、最大水位下降和恢复（Choi（2014b））和奖励风险措施（Rachev等人（2007））。在关于另类股票选择规则的论文中，Rachev等人（2007年）重点研究了动量排序标准的各种奖励风险度量。他们的动量投资组合是由作为赢家的les s高风险资产的多头头寸和作为输家的les s s高风险资产的空头头寸构成的。在1996年至2003年的s&P500世界中，这些替代投资组合的风险表现低于传统动量策略。此外，研究还发现，过去奖励风险指标较好的赢家组的事后风险低于输家组。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:25:56

他们论文中的结论也与Blitz等人（2007年）和Baker等人（2011年）中的低波动异常一致。在本文中，我们将Rachev等人（2007年）提出的基于回报-风险度量的方法扩展到许多不同的方向。首先，基于回报风险度量的动量投资组合被构建在不同的资产类别中，包括货币市场、商品市场、全球股票基准指数、韩国KOSPI 200宇宙、SPDR美国部门ETF和标准普尔500宇宙。其次，在标准普尔500指数范围内，通过使用不同的时间范围和考虑成分变化历史的消除幸存者偏差，进行了更稳健的测试。第三，利用经典调和稳定创新的ARMA-GARCH模型计算报酬风险测度。最后，对报酬风险组合进行了Carhart四因素分析。本文的结构如下。在下一节中，我们将简要介绍作为动量型投资组合构建的股票选择规则的风险模型和回报风险度量。第三节介绍了数据集和方法学。第4节给出了备选策略的绩效和风险度量。Carhart四因素分析在第5节中进行。我们在第6.2节中总结本文。奖励风险措施和风险模型2。1.奖励风险措施2。1.1. 夏普比率夏普比率是预期超额回报与超额回报标准差的比率（夏普（1994）），也就是说，它是每个偏差的报酬。夏普比率定义为r=E（r- rf）σ（r）- rf）（1）其中rf是无风险利率。夏普比率较高的投资组合被认为是比夏普比率较低的投资组合更好的投资组合。此外，在Markowitz框架（Markowitz（1952））中夏普比率最高的投资组合是相切投资组合。2.1.2.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:01

条件风险价值为了定义条件风险价值（CVaR），需要引入风险价值（VaR）。（1）的VaR- η） 100%定义为损失，超过该损失的概率为η。（1）的VaR-η） 100%是代表性的(1 - η)100%= -inf{l|P（r>l）≤ 1.- η} （2）其中0<η<1。CVaR，也称为平均风险价值（AVaR），是在给定VaR水平下投资组合的预期损失（Rockafellar和Uryasev（20002002））。（1）的CVaR- η） 100%定义为ASCVA(1 - η)100%=ηZηVaR(1 - ζ)100%dζ（3），其中0<η<1。当严重损失达到给定的VaR水平时，CVaR表明损失的平均严重程度，也就是说，它是给定重大损失范围内极端损失的平均损失。对于连续分布，CVa R为（1- η） 100%与η100%的极端尾部损失（ETL）相同：CVaR(1 - η)100%= ETLη100%. （4） CVaR优于VaR的一个优点是风险度量的一致性。一致性风险度量的定义和性质见一致性风险度量的原始文献（Rockafellar和Uryasev（2002）；Artzner等人（1999年）；布拉德利和塔克（20 03））。使用CVaR的另一个好处是，CVaR在下行尾部编码很多信息。例如，即使两个不同投资组合的VaR水平相同，一个下行尾部更大的投资组合的CVaR值也更大。2.1.3. 稳定的尾部调整回报率夏普比率考虑了下行和上行方向的偏差。由于向上方向的偏差不是实际风险，因此应特别注意下滑风险。Martin等人（2003）引入了稳定的尾部调整回报率（STAR ratio），以区分波动性带来的风险。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-5-6 01:26:04

对于星形比率，夏普比率定义分母的标准偏差用CVaR代替。星比是定义的星比(1 - η)100%=E（r）- rf）CVaR(1 - η)100%（5）其中0<η<1。由于高风险资产的CVaR值较大，因此高风险资产的星级比率变小。与此同时，风险较小的资产表现出更高的明星比率。2.1.4. Rachev比率金融资产的回报分布有两条尾巴，一条是下行的，另一条是上行的。很明显，上尾是有利的，但下尾是不利的。Rachev比率（R比率）是预期的正向尾部增益与预期的向下尾部损失之比（Biglova等人（2004））。该比率定义为asR比率（1- η)100%, (1 - ζ） 100%）=CVaR(1 - η)100%用于（rf）- r） CVaR(1 - ζ)100%对于（r）- rf）（6）其中0≤ η, ζ ≤ 1.在投资组合构建和股票选择中，R比率越高越好。2.1.5. 最大亏损最大亏损是指投资组合在一定时间范围内最严重的连续亏损。给定一段时间（0，T），最大降深（MDD）定义如下：MDD=- 最小τ∈（0，T）造币厂∈（0，τ）r（t，τ）（7）其中r（t，τ）是时间t和τ之间的返回。虽然本文中没有将最大提款作为排名标准，但它是为对mo mentum投资组合进行风险评估而计算的。2.1.6. 奖励风险度量的分类这些排名标准的奖励风险度量可分为两类。第一类包括基于比率的测量，如R比率、STARratio和Sharpe比率。通过比率衡量，回报由风险来衡量。纯粹的风险措施属于第二类。通过本文件，CVaR是这一类别中唯一的衡量指标。2.2.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:07

风险模型重要的是确定一个用于奖励风险度量计算的风险模型。考虑到金融资产价格的分布特性，如自相关和波动率聚类，选择ARMA（1,1）-GARCH（1,1）模型（Bollerslev（1986））作为时间序列的主要模型。此外，我们假设模式l的创新是根据经典回火稳定（CTS）分布（Rosinski（2007））进行基因评级，以便在经验分布中模拟不对称性和突变。ARMA-GARCH-CT模型由Kim et al.（2010年a）、Kim et al.（2010年b）、Kim et al.（2011年）提出，该模型在金融领域有多种应用（Tsuchida et al.（2012年）；贝克等人（2013年）。本文遵循原始文献。X的特征函数φ~ CTS（α，C+，C-, λ+, λ-, m）由φ（u）=exp给出嗯- iuΓ（1）- α）（C+λ1）-α+- C-λ1-α-)+ Γ(-α)C+(λ+- iu）α- λα++ C-(λ-+ iu）α- λα-（8）其中C+，C-, λ+, λ-都是阳性α∈ （0,2），米∈ R和Γ是gammafunction。在CTS分布中，m是位置参数。尾巴指数α表示fat尾巴的形状，小尾巴指数表示分布中的尾巴更厚。参数C+和C-是分布的比例参数。λ+和λ-分别是上尾和下尾的衰减率。与尾部指数α类似，较胖的下（上）尾以较小的λ为特征-(λ+).根据Kim等人（2011），ARMA（1,1）GARCH（1,1）-CTS模型的参数估计如下。首先，在Student-t分布残差的假设下，通过极大似然估计（MLE）来估计ARMA-GARCH模型的参数。然后，根据e估计的Darma-GARCH参数s计算ARMA-GARCH模型的残差。最后，可以使用MLE从残差中找到CTS分布的参数（Rachev等人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:10

(2011)). CTS分布的概率密度函数是通过使用快速傅里叶变换从特征函数（式（8））中获得的。对于给定的样本，可以从MLE中找到CTS分布的参数s。在对所有参数进行估计后，从模型中获取报酬风险度量。从风险模型中获得的预期收益和标准偏差用于计算夏普比率。这些参数也与Kim et al.（2011）：CVaR（1）中给出的ARMA-GARCH-CTS模型的VAR公式相关联-η）（yt+1）=-（c+ayt+bσtt）+σt+1CVaR（1）-η）（t+1）（9）其中a、b、c是ARMA参数，t来自CTS分布，σt是t的标准偏差。对于c TS分布，存在CVaR（1）的闭式表达式-η）（t+1）于Kim等人（2011年）。对于给定的VaR值，计算星比和R比很简单。3.数据集和方法学3。1.数据集采用各种资产类别和市场，对回报-风险-动量策略的可行性进行稳健测试。数据集包括货币市场、商品市场、全球股票指数、韩国KOSPI 200宇宙、SPDR美国部门ETF和美国标准普尔500宇宙。此外，还包括市场普遍性的无风险利率。关于每个数据集的详细信息如下。3.1.1。货币市场历史货币价格从彭博社下载，涵盖期为20年，从1993年1月到2012年12月。外币汇率是以美元（USD）和东部标准时区为单位的现货价格。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:14

货币对如下：阿根廷的Arsud美元、澳大利亚的Audud美元、巴西的BRLUSD美元、加拿大的Cadud美元、瑞士的CHFUSD美元、智利的CLP美元、中国的CNYUSD美元、哥伦比亚的COPUSD美元、捷克的CZKUSD美元、德国的DEMUSD美元、丹麦的DKKUSD美元、埃及的EGPUSD美元、欧洲的欧元、英国的GBP美元、加纳的GHSUSD美元、香港的HKDUSD美元、匈牙利的HUFUSD美元、印尼的ILSUSD美元、以色列的Illusd美元、印度的Iskud美元、冰岛的Illusd美元，JPYUSD（日本）、KESUSD（肯尼亚）、KRWUSD（韩国）、MXNUSD（墨西哥）、MYRUSD（马来西亚）、NGNUSD（尼日尔）、NOKUSD（挪威）、NZDUSD（新西兰）、PENUSD（秘鲁）、PHPUSD（菲律宾）、PLNUSD（波兰）、RUBUD（俄罗斯）、SARUSD（沙特）、SEKUSD（瑞典）、SGDUSD（新加坡）、THBUSD（泰国）、TRYUSD（土耳其）、TWDUSD（台湾）、VEFUSD（委内瑞拉）、XAFUSD（中非）和ZARUSD（南非）。3.1.2。商品市场1993年1月至2012年12月之间的商品价格信息来自彭博社。选择通用未来合同的历史价格。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:17

大宗商品市场的整个动力范围包括以下Bloomber g股票：BO（豆油：CBT）、C（玉米：CBT）、CC（可可：NYB）、CL（WTI:NYM）、CO（布伦特原油：NYM）、COA（煤炭：NYM）、CT（棉花：NYB）、DA（牛奶：CME）、DL（乙醇：CBT）、FC（饲养牛：CME）、GC（黄金：CMX）、HG（铜：CMX）、HO（取暖油：NYM）、HU（汽油：NYM）JO（橙汁：NYB）、KC（咖啡：NYB），LA（铝原材料：LME）、LC（铝合金：LME）、LCO（钴：LME）、LH（瘦肉猪：CME）、LL（铅：LME）、LN（镍：LME）、LT（锡：LME）、LX（锌：LME）、LY（铝合金：LME）、MOL（钼：LME）、NG（天然镓：NYM）、O（燕麦：CBT）或（橡胶：SGX）、PA（钯：NYM）、PB（猪肚：CME）、PGP（聚丙烯：NYM）、PL（铂：NYM）、PN（原材料：NYM）、QS（汽油：冰），R比率（大米：CBT）、S（大豆：CBT）、SB（糖：NYB）、SI（银：CMX）、SM（豆粕：CBT）、TO（迪拜原油：NYM）、W（小麦：CBT）和XB（RBOB汽油：NYM）。全球股票基准指数全球股票基准指数的每日收益率数据可从彭博社下载。时间范围为1993年1月至2012年12月。这些指数被转换成美元价值，考虑中的指数股票有AEX（荷兰）、AS51（澳大利亚）、BEL20（比利时）、CAC40（法国）、CCMP（美国纳斯达克）、DAX（德国）、FBMKLCI（马来西亚）、FSSTI（新加坡）、FTSEMIB-MIB30（意大利航空公司）、恒生指数（香港）、IBEX（西班牙）、IBOV（巴西）、IGBC（哥伦比亚）、IGBVL（秘鲁）、印度工业（美国道琼斯）、IPSA（智利）、JCI（印度洋航空公司），科斯皮（韩国俄勒冈州）、梅瓦尔（阿根廷纳）、梅克斯波尔（墨西哥）、NK Y（日本）、NZSE50FG（新西兰）、OMX（瑞典）、PCOMP（菲律宾）、PSI20（葡萄牙）、RTSI$（俄罗斯）、SENSEX（印度）、SET（泰国）、SHCOMP（中国）、SMI（瑞士）、SPTSX（加拿大）、SPX（美国标准普尔500）、SX5E（欧元）、TWSE（台湾）、UKX（英国）和VNIDEX（越南）。3.1.4。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:20

韩国股市：KOSPI 200韩国股市的主要基准指数之一KOSPI 200的市场数据从韩国交易所下载。获取KOSPI 200组件的价格历史记录和组件更改日志。动量策略的市场范围包括KOSPI 200.3.1.5最近10年（2003-2012）的组成部分。美国股市：SPDR部门ETF SPDR美国部门ETF的每日收益数据来自彭博社。在各种行业ETF中，选择SPDR se ctor ETF是因为所有行业ETF的历史价格长度相同。horizo的时间是1999年1月19日至2012年12月之间。ETF大学包括XLB（材料）、XLE（能源）、XLF（金融）、XLI（工业）、XLK（技术）、XLP（消费必需品）、XLU（公用事业）、XLV（医疗保健）和XLY（消费者自由支配）。3.1.6。美国股市：标准普尔500指数的每日价格数据和标准普尔500指数成分股的成员变动历史可从彭博社下载。时间跨度为2003年1月至2012年12月。3.1.7。无风险利率在计算反向风险度量时，无风险利率使用两种不同的利率。在外汇、大宗商品、全球股票基准指数、SPDR美国部门ETF和美国标准普尔500指数宇宙中，无风险利率是91天美国国债的利率，因为这些市场中的所有数据都是美元估值的。对于韩国俄勒冈州市场，韩国银行发行的90天定期存款的收益率是基准无风险利率。3.2. 方法本研究的投资组合结构与Jegadeesh和Titman（1993）提出的传统动量投资组合结构相同。唯一不同的是，在形成动量排序组时，使用了替代的排序标准。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:24

用于投资组合构建的备选股票选择规则有夏普比率、CVaR、明星比率和R比率，这是前一节介绍的回报风险度量。在这些报酬风险度量中，Sharpe r atio、STAR ratio和r-ratio已经在Rachev等人（2007）中使用，而CVaR在本文中是新采用的。为了进行比较，还测试了排名期间的累积回报率。根据过去六个月评估期间的每日数据计算出的排名规则，按照风险对资产进行排序，从最高风险到最低风险，然后将资产分为几个篮子，称为排名组或排名篮子。在本文中，排名篮的数量为3，除了KOSPI200和标准普尔500大学使用10个不同的排名组。风险最高的资产来自输家篮子，最安全的资产分配给赢家篮子。每个排名篮子中的资产权重相等。Webuy出售赢家篮子和输家篮子的相同价值，以使整个投资组合的美元中性。在本研究中，长期短期投资组合的持有期限为每六个月一次。如果两个排名组都被购买并获得回报，动量投资组合的回报就是最佳赢家组和最差输家组之间的实际差异。我们在论文中遵循这个惯例。每六个月，新动力投资组合的构建和维护将持续到持有期结束，也就是说，它是一个不重叠的投资组合。为了计算排名标准，价格数据被转换为汇总数据，其中包含奖励风险度量和期间的累积回报。通过将金融资产的每日收益插入基于上一节ARMA（1,1）-GARCH（1,1）-CTS模型的算法中，可以获得相应的风险度量。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-6 01:26:28

某些金融工具在特定时期的汇总结果在该时期数据点数量不足的情况下被忽略。生成汇总数据期间时间序列的最小长度为21，对应于一个月内交易日的平均总数。这种忽视是合理的，因为一些股票、汇率和商品在市场上开始新交易，在使用MLE估计ARMA-GARCH-CT S模型参数的周期内，可能有太少的数据点。为了进行风险评估，可选择投资组合的夏普比率、VaR、CVaR、星级比率和R比率是根据投资组合的每日收益计算出来的。与关于意大利开放式共同基金的分配方面的文献（Bianchi（2014））类似，替代投资组合的每日回报率被认为是非正常的，回报率测度是根据ARMA（1,1）-GARCH（1,1）-CTS模型计算的。最大提取量也可从投资组合绩效的整个每日历史记录中获得。4.结果4。1.货币市场根据表1，动量策略的汇总统计数据显示，在货币领域实施的基于R比率的策略优于传统动量策略，后者的月回报率为0。34%，标准偏差为2.3%。特别是，基于R比率（50%，9X%）的投资组合每月实现0.44–0.52%。这些投资组合的标准差约为20%——比原始动量策略的标准差小。除此之外，R比率（9X%，9X%）投资组合的平均月回报率在0.31%到0.36%之间。这些策略的波动率水平为40%，低于累积回报投资组合的波动率水平。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:31

尽管夏普e比率、CVaR和星级比率等其他回报风险指标为表现低于传统趋势跟踪策略的投资组合提供了回报，但除了基于CVaR的策略外，这些替代投资组合的稳定性低于基准。在R比率（50%，9X%）c标准中排名篮的动量现象变得更强。R-ratio（50%，9X%）PortfolioOutp中的优胜者群体表现优于基准优胜者。此外，这些是所有奖励风险赢家投资组合中最好的赢家组合。与winnerbaskets相反，在包括累计回报在内的所有选择规则中，R比率（50%，9X%）策略中的失败者得分表现最差。在短篮中的分组使策略在绩效上主导传统的时机策略。R比率（9X%，9X%）投资组合中的空头篮子显示出巨大的下行势头，但同一投资组合中的相反头寸没有累积回报策略中的赢家篮子那么强劲。排名篮子的标准偏差，尤其是备选投资组合中的失败者组的波动率小于累计回报排名失败者组。偏斜的模式也解释了为什么在其他排名规则下，动量倾向于更强。对于许多回报风险投资组合，长（短）篮子在累积回报方面比对方表现出更大（更小）的偏差。奖励风险策略的主要表现是通过承担较少的风险来实现的。在表2中，很明显，每个R比率策略都会降低9.5%的VaR和CVaR水平。向上风险投资组合的另一个显著特征是，累积回报率的最大提取率（10.96–14.83%）明显小于26.90%。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:35

此外，通过本文，x可以是0、5和9的任意数。在R比率（50%，X%）策略中发现了三个最大的Sharpe比率。除了所有的R-R比率投资组合外，基于夏普比率的策略在最高夏普比率中排名第二，其最大下降幅度低于累积回报策略的下降幅度。STAR比率投资组合的提款、VAR和CVAR有所改善，但除了STAR比率（90%）情况外，投资组合绩效的夏普比率可以忽略不计。与传统动量相比，CVaRportfolios在回报风险度量方面的风险更大。R-比率（50%，95%）和R-比率（50%，90%）策略通过更大的CTS尾部指数α值来表征，后者同时控制两条尾部。大多数其他奖励风险策略通常具有更大的λ-与基准策略不同的参数。根据每个排名篮的VaR和CVaR水平，选择规则分为两组。第一类奖励风险指标的特点是赢家（输家）群体的VaR和CVaR水平较高（较低）。R比率、星形比率和夏普e比率都包括在这一类中。第二类与第一类相反，即赢家（输家）群体的风险比累积回报策略的风险大（多）。第二类包括CVaR标准。同样的分类也适用于CTS参数。对于第一类的cr iteria，λ-胜利者的价值观比失败者的价值观更高。特别是λ-R比率（50%，9X%）策略的长（短）位置参数比传统动量赢家的长（短）位置参数大（小）。这解释了为什么R比率（50%，9 X%）的赢家（输家）群体表现优于（表现不佳）动量赢家（输家）。对于CVaR标准，结果与第一类相反。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:39

赢家投资组合的下行尾部指数低于输家投资组合的下行尾部指数。此外，较小的λ-对于赢家和更大的λ-因为失败者被找到了。这就是为什么这些策略不如一级策略或累积回报投资组合中的选择规则中的策略好的原因。4.2. 商品市场与货币市场相似，我们发现商品市场中的奖励风险动量组合也比基于累积收益的动量策略表现出更好的表现。根据表3，商品市场中的替代动量策略在排名标准方面获得负平均回报，并优于传统趋势跟踪策略，后者的平均月回报率为-0.79%。与基准波动率5.59%相比，这些策略的波动性更小，标准差更小。R-ratiostrategies产生了更大的平均回报率（0.33%–0.06%）和较小的标准偏差（3.99%–4.31%）。特别是，R比率（50%，9X%）在R比率标准中达到了最好的性能。夏普比率（Sharpe ratio）和CVaR（90%）策略排名第二，分别为每月-0.22%和-0.26%。在商品市场中，奖励风险赢家和输家群体的排名群体行为与外汇领域中的情况类似。备选排名规则中的所有赢家组在表现上遵循传统动量组合中的赢家篮。表现最好的赢家是R比率（50%，90%）投资组合，月收益率为0.72%。CVaR（99%）和Sharpe r atio标准的月度得分分别为0.66%和0.61%，排名第二。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-6 01:26:42

这些替代策略的多头头寸的波动性水平低于累积收益赢家。此外，在累积回报标准中，所有输家集团的表现都不如输家集团。空头头寸表现不佳对于提高动量投资组合的稳定性是可取的。这些回报风险投资组合的风险收益更令人印象深刻。如表4所示，这些策略的最大降幅在52.20-74.75%之间，大大小于传统趋势跟踪策略的85.75%。奖励风险策略的95%VaR和CVaR（除了星级比率）也低于原始动量投资组合的95%VaR和CVaR水平。此外，除明星比率（90%）策略外，替代投资组合的夏普比率大于累积回报动量投资组合的夏普比率。正如在外汇市场中发现的那样，也观察到了风险特征的标准依赖性。除了someR比率投资组合，λ-基于比率的投资组合的价值往往小于基准策略的价值。同时，CVaR策略也显示出更大的λ-价值观高于基准策略。多头/空头仓位的风险模式也表明了其他奖励风险策略的优越性。较低的VaR和CVaR水平是R比率赢家群体的特征。由于R比率投资组合中的长篮子表现出传统动量的表现，在赢家组中发现的小R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R。在累积收益中，长篮子的夏普比率和最大提取率优于相应的赢家篮子奖励风险指标。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:46

基于CVaR的评级组合中的赢家组在VaR和CVaR中的风险较低，但CVaR规则中的输家组禁止更大的风险度量。对于所有的回报风险投资组合，多头头寸中较低的风险接受度也由较高的λ检验-价值高于基准投资组合中多头头寸的价值。在空头头寸中，R比率和夏普比率策略的CTS下侧尾部指数比累积回报型投资组合中的空头头寸小。同时，CVaR策略具有较大的λ-失败者的价值观。4.3. 全球股票基准指数如表5所示，在全球股票基准指数范围内也观察到了替代投资组合的表现。虽然累积回报率标准的月平均回报率为0.51%，标准差为4.23%，但表现最好的是明星比率（90%）和R比率（90%，90%）组合，分别为0.65%和0.63%。这些策略的标准差分别为3.69%和3.47%，远低于传统的动量策略。除了较小的回报率波动外，STARratio（95%）、R-ratio（95%、95%）、Sharpe ratio和STAR ratio（99%）组合也比基准组合更有价值。R比率（50%，90%）和R比率（99%，99%）策略的表现与累积回报投资组合相比较，且这些投资组合的波动水平显著降低。通过其他选择规则也可以获得较小的标准偏差。无论是cr iterion，在全球基准指数范围内，都能发现回报风险投资组合中赢家篮子的强劲表现。当赢家组每月获得0.86–1.18%的收益时，平均回报率最高的多头头寸来自R比率标准。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:49

Sha rp e ratio portfoliois中的长篮子也紧随其后的是累积回报赢家组。此外，这些优胜者篮子的波动性水平低于基准情况。每个R比长位置的偏斜度都大于传统动量情况。失败者群体的平均回报率在0.46-0.60%之间，而累积回报失败者群体的月度回报率为0.49%。尽管许多回报-风险动量策略的损失r组的表现往往略好于原始动量策略，但通过r-r比率和夏普比率投资组合的短期头寸可以获得较小的偏斜度。偏态越小，输家篮子就越偏，并暴露于下行尾部风险，这可能会为空头头寸产生收益。在表6中，我们发现回报风险投资组合，尤其是比率投资组合，比传统的趋势跟踪投资组合风险更低。例如，在95%VaR和CVaR下，所有奖励风险策略的风险都比基准策略低。此外，R比率策略的最大提取量远低于累积收益策略。夏普比率、CVaR和STAR比率动量投资组合显示了最大提款的可比规模。更大的夏普比率来自夏普比率、明星比率、R比率（90%，90%）、R比率（50%，90%）和R比率（95%，95%）策略。从这个意义上说，回报风险投资组合在风险敞口较小的情况下获得了更多的利润。特别是，R比率、星级比率和夏普比率标准在绩效和风险管理方面都具有优势。每个排名组的最大dr awdown也与排名组的目的相匹配。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:53

奖励风险策略中的赢家篮子比累积回报赢家组的最大提款更小，而输家组的最大提款更高。对于这些投资组合，VaR和CVaR水平的特征与最大提取略有不同。研究发现，R比率、明星比率和夏普比率组合的长篮子中的VAR和CVAR低于累积赢家组的风险度量。与动量策略相比，所有备选投资组合的短期篮子获得更低的VaR和CVaR值。4.4. 韩国股市：KOSPI 200在KOSPI 200的宇宙中，回报-风险-动量策略不仅优于累积回报策略，而且波动性也较低。根据表7中奖励风险组合的汇总统计，最佳策略由星级比率标准给出。明星比率（90%）投资组合的月平均回报率为1.41%，波动率为5.96%，而累积回报率为该投资组合的月回报率为0.97%，标准差为7.56%。根据星级比率（95%）和星级比率（99%）构建的投资组合表现最好，平均回报率分别为1.30%和1.22%。此外，这些投资组合的月回报率分别为5.81%和5.85%。与明星比率投资组合类似，CVaR投资组合也产生了更好的pe表现，并且比基准投资组合波动性更小。以CVaR（99%）、CVaR（95%）和CVaR（90%）为基础的策略每月平均收益率分别为1.48%、1.35%和1.24%。这些CVaR投资组合的标准差也很小，为6.28–6.94%。与其他资产类别类似，在Kospi 200宇宙中也观察到R比率（50%，9X%）投资组合优于传统动量投资组合。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:26:57

每月1.15%的利润由R比率（50%，99%）和R比率（50%，95%）战略产生。这些月波动率为4.45–4.67%的替代投资组合不仅比最初的趋势跟踪策略波动小，而且比其他奖励风险策略波动小。R比率（50%，90%）投资组合的平均回报率为1.00%，波动率为4.46%，在表现和偏差方面仍优于其他投资组合。虽然夏普比率策略的性能比基准略差，但性能的标准偏差大大降低。同时，R比率（9X%，9X%）投资组合的表现逊于动量投资组合，尽管在偏差度量中，这些策略得到了显著改善。与基于累积收益的策略相比，每种报酬-风险策略都具有更大的偏度。赢家和输家十分位数的分组属性如下。Sharpe比率、STAR比率和R比率策略中的赢家组和输家组的表现往往超过基于累积回报的风险组。所有回报风险投资组合中的多头/空头头寸比基准组表现出更小的偏差。同时，CVaR选择规则中的赢家群体的表现比传统动量策略差0.10-0.20%。然而，在累积回报策略中，失败者组的表现低于失败者组0.50–0.60%。回报沿相反方向的不对称变化使回报风险投资组合更加有利。从表8给出的风险特征中可以看出，奖励风险策略的风险较低。所有报酬风险投资组合的最大提取额大幅减少。特别是，R比率（50%，9X%）策略的最大下降幅度为17.31–24.63%，明显小于63%。97%用于传统的动量策略。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:27:00

明星比率投资组合也达到39.28–39.71%，CVaR标准构成的投资组合最大提取率为32.74–35.92%。Sharperatio por tfolio的最大降幅为49.57%，高于其他标准，但仍低于基准情况。有趣的是，我们发现所有R-ra-tio动量投资组合的风险显著降低，因为这些投资组合的VaR和CVAR降低了30%-40%。类似地，明星比率（9X%）、夏普比率（Sharpe ratio）和CVaR（99%）策略的VaR和CVaR水平也低于趋势跟踪策略。此外，λ-所有投资组合的回报率都高于基准分布。这一事实表明，替代投资组合面临较低的下行尾部风险。夏普比率、明星比率（9X%）、CVa R（99%）和R比率（50%、9X%）标准优于累积回报投资组合的夏普比率。排名篮子的风险收益也与排名小组的目标和目的一致。备选方案中的赢家（输家）组以较小（较大）的风险度量（如s VaR、CVaR和最大提取）奖励ris kportfolios obta。优胜者可获得更大的夏普比率。它也是由λ支撑的-在每个篮子的CTS分配中。λ-在动量投资组合中，赢家（输家）十分位的价值大于（小于）多头（空头）十分位的价值。在theR ratio、Sharpe ratio和STAR ratio策略中排名十分位的风险特征与VaR投资组合略有不同。与累积回报投资组合相比，这些基于比率的策略中的两个排名篮的风险也更低。例如，在95%的VaR和CVaR中，投资组合中的赢家和输家群体的风险较低。两个篮筐的夏普比率在基准排名篮筐中占主导地位。4.5. 美国。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:27:03

股票市场：SPDR部门ETF SPDR美国部门ETF领域的R比率（50%，9X%）和明星比率（9X%）动量策略表现出比传统动量策略更好的表现，如表9所示。与提供0.33%月回报率和4.34%标准差的基准投资组合相比，Rratio（50%、99%）、R比率（50%、90%）和R比率（50%、95%）投资组合的月平均回报率分别为0.62%、0.58%和0.58%。投资组合回报的标准差约为25%——相对于基准投资组合减少。明星比率也创造了优于基准的投资组合，月度回报率为0.38–0.40%，波动率为3.74–3.84%。R比率（90%，90%）和夏普比率投资组合的表现不仅比累积回报率投资组合高出0.08%和0.04%，而且波动水平也更低。其他股票选择规则在表现上遵循最初的动量策略。每种奖励风险策略的偏度都比基于累积回报的策略更大。R-ratio（50%，9 X%）投资组合的卓越表现是通过每个排名的强劲势头实现的。投资组合中的赢家群体表现明显优于传统的动量赢家篮子。同时，在R比率（50%，9X%）标准中的失败者群体比基准失败者表现更差。R比率（90%，90%）投资组合的赢家回报率略差，但输家回报率远小于动量回报率。明星比率和夏普比率投资组合的集团资产类似于R比率（90%，90%）案例。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:27:08

尽管多头仓位的表现比基准动量w inner差0.18–0.20%，但在所有排名规则中表现最差的是夏普比率和明星比率的失败者。对于R比率、明星比率和夏普比率投资组合，长（短）篮子的收益分布的偏度比动量策略的偏态大（小）。值得注意的是，基于R比率的动量投资组合在接受较少风险的情况下重新获得了绩效。如表10所示，所有R比率投资组合的VAR和CVAR均低于基准动量的95%。投资组合中较低的风险也由较大的λ保证-CT分布中的值。此外，更高的夏普比率是通过星比率、R比率（90%、90%）和R比率（50%、9X%）策略实现的。此外，与传统动量策略相比，R比率（50%，9X%）策略的独特特点是最大下降幅度较小。尽管在95%VaR和95%CVaR中，CVaRportfolios的风险较低，但这些策略的平均回报率和夏普比率均低于R比率投资组合。替代投资组合的风险低于基准水平，不仅是在整体多空投资组合中，而且在每个投资组合中的独立排名组中。低95%的VAR和95%的CVAR是通过R比率和星级比率标准中的赢家和输家篮子实现的，但R比率（95%，95%）赢家组除外。特别是，R比率（50%，9X%）投资组合中的短期篮子表现出最低的VaR和CVaR值。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:27:11

此外，R-ra tio（50%，9X%）投资组合中的多头/空头头寸也比传统动量中的多头/空头头寸获得更小的最大提取。对于CTS参数，还需要交叉检查Rratio和夏普比率投资组合中的这些篮子是否与价格模型的预期方向一致。λ-奖励风险赢家群体的参数大于动量策略的参数。星比策略具有更大的λ-两个排名组的值。我是anwhile，λ-较低组的值较小。这种模式有利于整个长/短动量投资组合的稳定性。O与R比率和Sharperatio策略相反，较大（较小）λ-对于s短期（长期）篮子可以在VaR投资组合中找到。这解释了CVaR por tfolios表现不佳的原因。4.6. 美国股市：标准普尔500指数如表11所示，标准普尔500指数中的许多奖励ris k动量策略表现优于基准策略，最佳奖励风险组合是根据R比率（50%，9X%）标准构建的。R比率（50%，90%）策略是月平均收益率为0.64%的最佳投资组合，几乎是累积收益率为0.22%的平均收益率的三倍，其标准差为月平均收益率为2.73%，50%，小于传统的5.54%的月平均收益率。与R比率（50%，90%）投资组合类似，R比率（50%，95%）和R比率（50%，99%）投资组合的月回报率分别为0.53%和0.39%，标准差分别为2.83%和2.64%。在标准差为4.56–4.86%的情况下，明星比率产生的平均回报率为0.20–0.23%。与inRachev等人（2007）的研究结果相比，r比率（50%，9X%）策略的预期收益增加，波动水平降低。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:27:14

星比投资组合是文献中最好的回报风险投资组合，其表现仍然良好，但比文献中的差。然而，其他策略并不有趣，因为投资组合的表现基于更大的波动。此外，自最初的研究（Rachev et al.（2007））以来，其他选择规则（包括累积回报）的适用性通常变得更差。在R比率（50%，9X%）投资组合中观察到的排名组房地产非常有吸引力，因为备选投资组合中的每个排名组都表现出强劲的势头。这些策略中的所有赢家小组都超过了传统的动量长篮。此外，R-ratio（50%，95%）和R-ratio（50%，90%）标准中的失败者组在动量空头篮中表现不佳，而R-ratio（50%，99%）失败者组的表现略好于0.03%。在星级比率投资组合中发现的排名累积特征表明，与基于累积回报的策略相比，赢家组表现出较弱的表现，而输家组表现出更弱的表现。Sharperatio投资组合与R-ratio（50%，99%）标准完全相反，即Sharpe ratio中的赢家表现不佳，而输家则略优于基准。所有股票选择规则的赢家组和输家组的表现都比文献中奖励风险策略的对应排名组差（Rachev et al.（2007））。根据表12的结果，标准普尔500指数范围内的另类排名投资组合风险较小。所有奖励-风险-动量策略都可以获得较低的95%CVaR。同时，95%的VaR取决于标准。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:27:18

特别是，R比率投资组合的VaR和CVaR值远小于传统动量投资组合的风险度量。在夏普比率投资组合中也发现了VaR和CVaR的类似模式。此外，λ-除了R比率（95%，95%）和R-ra tio（90%，90%）度量之外，所有奖励风险策略的CTS分布中的参数都大于累积回报情况下的参数。较大的λ-价值观表明，回报-风险-动量策略善于控制下行尾部风险。对于最大提取，由夏普比率、明星比率和R比率构建的投资组合显示出比原始动量策略更小的最大提取值。R比率投资组合的最大支取额大幅下降。例如，比率（50%，9X%）投资组合的最大提取率约为15%，通过选择R比率（50%，9X%）指标，累积回报标准的最大提取率的75%被取消。采用R比率（50%，9X%）和夏普比率作为股票选择规则的另一个优势是，投资组合的夏普比率大约是累积回报投资组合的股票比率的2-5倍。赢家和输家群体的风险特征还表明，回报风险选择规则有利于对组成篮子进行风险管理。奖励风险组合中的赢家群体具有更大的λ-参数大于累积回报率。很明显，在备选方案中，赢家群体的下行风险降低了。与长篮子相反，λ-在累积回报标准中，失败者篮子的价值小于失败者组的价值，失败者篮子承担更大的下行风险，从卖空失败者身上获得利润是有吸引力的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-6 01:27:21

许多奖励风险指标选择风险较小的赢家和输家群体，95%的VAR和CVAR较小。除此之外，在累积收益标准中，每个篮子的最大下降量也相对于每个长/短篮子减少d。此外，在R-R比率、明星比率和夏普比率投资组合中，赢家和输家群体获得了可比的最大提款规模。同时，对于CVaRportfolios，赢家组的最大提款量远小于输家组。这种模式在累积回报组合中也可以观察到。4.7. 在不同的资产类别中，奖励-风险指标是更好的排名规则，可以选择未来6个月内的潜在好的和坏的表现。特别是，R比率（50%，9X%）指标可以获得波动水平较低的更好的投资组合回报。R比率（50%，9X%）投资组合的表现也由图1所示的备选组合的历史累积回报率支持。很容易发现，R比率（50%，9X%）策略不仅表现出传统的趋势跟踪策略，而且倾向于形成更一致的趋势和更少的波动。此外，即使在2008年的金融危机期间，其他比率（50%，9X%）策略的绩效仍然持续存在。与R比率（50%，9X%）标准类似，星级比率在绩效和风险管理方面也很重要。R比率（9X%，9X%）和夏普比率也为投资组合提供了较高的平均回报，而且在许多类别中，投资组合的风险低于基准动量策略。每个长/短篮子的表现也优于基准动量投资组合中的相应篮子。奖励-风险-动量策略的优势不是在承担更多风险的情况下实现的，而是在接受较少风险的情况下实现的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝