由于每个交易规则可能在单个时间步产生一个长、短或中性信号，我们将我们财富的同等比例投资于这些信号以及每个后验规则产生的相应回报，类似于计算它们的等权重横截面平均数。根据之前的研究（见Brock等人，1992年；Bajgrowicz和Scaillet，2012年），当多头或空头信号产生时，打开交易头寸，当信号反转或中和时，平仓。如果提高中性头寸，则假定按比例财富投资于无风险资产或储蓄账户。每日总回报率是根据基础指数收盘值的变化计算的。当头寸终止时，从总回报中扣除单向交易成本。然后估计超额回报，将交易规则的盈利能力与无风险利率进行比较。IS性能本节提供技术规则的事后分析。在第5.1节中，列出了两年回顾期内确定为真正盈利的策略数量、相关盈利能力以及盈利交易规则类型的分类分析。第5.2节报告了相应的盈亏平衡交易成本分析。附录B.1.5.1识别、IS盈利能力和分解分析中给出了基于一年IS的相关结果。表2给出了我们10%DFDR+/投资组合确定的幸存者规则的百分比和标准差。回顾期设定为两年，投资组合每月重新调整一次。[这里的表2]我们注意到，已确定规则的百分比随着年份的变化而变化，并且随着市场的变化而变化。

英国、俄罗斯和Frontiermarkets指数中确定的规则数量较高。多年来，已确定规则的百分比没有明显的趋势。峰值出现在2006年、2009年和2010年，而最低值出现在2012年。有趣的是，我们的程序为所有指数和所有年份选择了有利可图的规则。回溯期内产生的投资组合的相关交易绩效如表3所示。【此处的表3】在所有指数的交易成本之后，都有一个重要的盈利模式。就年化回报率而言，新兴市场的盈利能力比同行有所提高。技术分析的盈利能力没有明显的趋势。2009年和2010年的年化回报率达到峰值，所有年份的夏普比率都保持稳定。确定规则的百分比与生成的投资组合的交易绩效之间也没有联系。表4根据表2的调查结果，对每个单一市场中盈利的交易规则类别（即RSI、过滤规则、移动平均线、支撑和阻力以及渠道突破）进行了分类分析。在表4中，我们给出了当回望期设置为两年且投资组合每月重新调整时，所有年份（即2006-2015年）盈利的规则系列的平均百分比。[这里的表4]很明显，移动平均线在所有市场的对应方中占据主导地位。第二大家族的真正有利可图的规则是支持和抵制。我们注意到，所有正在研究的市场（约旦和英国除外）的反向交易规则（RSI）所占百分比都相当低。似乎所有正在研究的市场都以势头和强劲趋势为特征。

我们的结果扩展了Chan等人（1997）、Jegadeesh（1990）以及Jegadeesh和Titman（1993、2001）的研究结果，他们发现了美国和欧洲股票momentumtrading策略的盈利能力。5.2盈亏平衡交易成本在本节中，我们对技术交易规则在回顾期内的超额盈利能力进行盈亏平衡分析。根据该领域的相关研究（见附录B.2.others，Bessembinder and Chan，1998；Bajgrowicz and Scaillet，2012；Hsu et al.，2016），附录B.2.others对每一年和市场盈利的交易规则类别进行了更详细的分类分析），weadopt作为盈亏平衡成本，即单向交易成本水平，这使得表现最佳的技术交易规则的超额盈利能力（即平均回报）减少到零。盈亏平衡成本超过实际成本越多，规则的超额盈利能力就越强。图1分别显示了夏普比率指标下最佳绩效技术交易规则和每个指数的平均盈亏平衡交易成本大小。我们根据两年的回顾期为每个月选择表现最佳的规则。然后在每年的12个月内重复该程序，同时进行再平衡。通过将最佳规则的每月盈亏平衡交易成本之和除以12来估计每年的平均盈亏平衡交易成本。整个10年期间采用相同的程序。【图1】该图显示的主要趋势是，前沿市场实现了最高的盈亏平衡交易成本，其次是新兴市场和发达市场，至少在前四年。

特别是，摩洛哥（高达38%）、俄罗斯（高达43%）和巴西（高达41%）在这一时期的超额盈利稳健性方面占据主导地位，而另一方面，日本等发达市场（高达52%）的盈亏平衡成本在2009年和2011年创下新高。在研究期的其余时间里，盈亏平衡交易成本有所下降，但2014年除外，从2014年起，与其他时间相比，发达市场开始复苏。例如，相应的发达市场指数和美国的盈亏平衡交易成本从14%到20%不等。当然，仍有一些新兴市场（即俄罗斯和巴西）和前沿市场（即爱沙尼亚和摩洛哥），它们的成本相似甚至更高。总的来说，我们观察到盈亏平衡成本呈下降趋势，因此多年来盈利能力过剩，成本达到近年来的最低水平，尤其是2015年。然而，这一趋势并不总是稳定的。具体而言，大多数国家在2006年表现出较高的盈亏平衡成本，2007年面临较小的衰退，而在2008年至2010年期间，它们又恢复到较高的水平，在此期间，它们也达到了一个典型的峰值。在接下来的几年中，它们的规模出现了可观的衰退，仅在2014年略有恢复，而2015年还没有清除雷曼。因此，除了盈亏平衡成本报告其最高值的年份之外，附录B.3中报告的使用一年的相应盈亏平衡交易成本显示，一般而言，盈亏平衡交易成本较低。然而，图1中的主要趋势仍然存在。（即2008-2010年），技术交易规则的表现在某种程度上是一致的，尤其是在最近的时期。OOS分析本节采用事前方法，对基于DFDR+程序生存规则构建的投资组合进行全面分析。

第6.1节介绍了DFDR+投资组合相对于OOS的超额盈利能力。第6.2节通过衡量DFDR+投资组合能够产生高于无风险利率的回报的周期数来研究绩效持续性。在第6.3节中，提供了一种新的交叉验证实践，该实践同时考虑了is和OOS，并保持了基本时间序列的顺序。最后，第6.4节侧重于通过考虑市场中的财务压力水平，解读不同时期投资组合的超额回报。6.1盈利能力根据之前在该领域的研究，我们基于重要技术交易规则的表现进行了OOS实验。我们根据指数的IS显著性，为每个指数创建了优于交易规则的投资组合，并在OOS中对其进行评估。在两年回顾期之后，我们考虑三个OOS期，分别为一个月、三个月和六个月。例如，对于一个月后的样本期，我们根据其在过去两年的表现，并根据10%-DFDR+方法，选择显著积极的资产作为投资组合构建工具（见第4.4节）。然后在接下来的一个月内评估投资组合的绩效。在一年多的滚动结构中，我们每个月都会重新平衡DFDR+/投资组合，并在样本中的所有年份（即2006-2015年）重复相同的程序。通过这种方式，我们动态构建和评估我们的投资组合，就像积极投资者在实践中所做的那样。

我们以类似的方式分别使用三个月和六个月的OOS周期。表5报告了每个指数的平均超额年化平均回报率和夏普比率（括号中），使用两年回顾期原样和一个月的完整OOS。我们还设置了涵盖一年的IS期，但相应的重要规则投资组合的表现略差于在两年IS期下构建的投资组合。附录B.4中提供了相关表格和讨论。我们观察到索蒂诺比率和操纵比率的类似趋势（时变盈利能力）。这些结果可根据要求提供。表5所示的结果是每年12次连续实验的平均值。这一程序以及我们的OOS很短的事实（即使在附录中列出的3个月和6个月的情况下）验证了下面的讨论，无论性能指标如何。交易成本后十年的样本。年化平均超额收益率和夏普收益率均计算为12个投资组合的相应OOS平均值，这些投资组合在一年内将IS向前滚动一个月后，具有显著的盈利能力，优于为每个指数制定的规则。【此处的表5】OOS证据表明，技术交易规则在早期（即2006年、2007年）考虑的大多数市场中表现良好，并购市场的表现更为深刻。现在关注接下来的几年，特别是2008年和2009年，几乎所有市场都呈现出非凡的表现。2008年和2009年是全球金融危机时期，在此期间，大多数市场都面临着极度下降的趋势和严重的损失。

这种环境似乎有利于我们的技术交易规则的宇宙，因为它主要由利用这种大趋势的动量规则组成。这也解释了2010年大多数交易行为的负面表现，这是大多数市场的饱和点。此外，我们的DFDR+/投资组合的有限盈利能力在接下来的几年中在一定程度上继续存在，然后在最近的几年中恢复。近年来（即2013-2015年）的盈利能力主要体现在一些发达和新兴市场。就整体绩效的比较而言，前沿市场在整个样本期内提供了更可靠的投资选择，在大多数年份产生了正的平均回报率和夏普比率，其次是新兴市场，第三是发达市场。不过，我们的总体发现是，技术交易规则的盈利能力在所审查的年份中是可变的，技术分析可以利用短期市场的低效率。表6和表7显示了每一个指数的年化平均超额平均收益率和夏普比率（inparenthesis），交易成本后使用两年回顾期，但这一次分别应用了三个月和六个月的OOS期。再次，两个报告的指标分别计算为三个月和六个月滚动结构中每个指数每年相应十二个月投资组合的OOS平均值。[这里的表6][这里的表7]在使用一个月作为OOS期的情况下，有相当多的证据表明，在早些年，技术交易规则的盈利能力非常强，但现在这主要集中在新兴市场，而且只有少数几个市场。

2008年的表现再次达到最高水平，超过一半的指数在2009年转为负回报。这可能是由于检查的OOS周期较长，因此对新趋势的调整频率较低。再次，技术交易规则的表现在未来几年会有所下降，但技术分析仍然能够很好地预测最近几年的一些先进市场指数，即平均超额回报率和夏普比率。这可能表明这些年来市场趋势的特定模式，这些模式被技术交易规则所利用。前沿市场似乎仍然是一个很好的投资机会，尽管OOS周期现在已经增加，但新兴市场仍将持续多年。之前的结果强调了技术分析在利用短期市场低效方面的有效性。随着OOS的增加，我们规则的盈利能力下降，这从两个应用程序将回溯期分别设置为一年（见附录B.1）和两年来看是合理的。当市场效率消除了任何盈利能力和/或主导股市变化的潜在趋势时，这种结果就会自然而然地发生。这些发现也解释了过去技术分析领域的部分文献及其可行性。之前的研究人员倾向于研究长时间（参见Sullivan等人，1999年；Qi和Wu，2006年；Bajgrowicz和Scaillet，2012年；Hsu等人，2016年）。正如我们的经验练习所强调的，特定技术规则的盈利能力是短期的，并且在不同时期有所不同。由于市场效率的原因，自然不存在长期存在的规则。

具体技术规则的盈利能力似乎是短期的，适应性可能是关键。6.2业绩持续性在上一节中，我们着重于确定DFDR+/的盈利技术规则，并检查生成的投资组合的交易业绩。如前所述，技术规则和我们的方法似乎能够利用短期市场的低效率。然而，市场效率迟早会降低任何盈利能力。看看这种盈利能力衰减的速度有多快，以及不同市场和时期之间是否存在差异，将是一件有趣的事情。在相关文献中，这一因素被忽视了，因为经验评估是静态的，仅限于特定时期。在真实的交易环境中，从业者具有适应性，并经常重新平衡他们的投资组合。表8显示了我们生成的投资组合在两年回顾期（IS）和OOS一个月情况下的持续性。我们将持续性衡量为连续的OOS月份，我们的投资组合的交易表现高于相关的无风险利率。[这里的表8]我们注意到，在绝大多数情况下，交易员需要每月以上重新平衡投资组合。考虑到金融市场的效率水平和上一节概述的交易规则的平庸交易表现，这些结果是可以预期的。然而，应该注意的是，在少数情况下，测量的可信度高于一个月。换句话说，在某些情况下，市场效率弱到足以让静态投资组合盈利。2007年和2008年的持续性更高，这可以归因于全球金融危机造成的动荡及其对市场效率的副作用。

有趣的是，具有更高持续性的市场是美国，这是研究中规模最大、流动性最强的指数。在表9中，我们对两年回顾期和OOS三个月的情况重复了相同的练习。[这里的表9]大多数病例和年份的持续性都有所下降。我们注意到，2008年，我们投资组合的平均持久性超过1。此外，我们的投资组合在OOS的前三个月后仍保持盈利能力。考虑到特定的市场，我们注意到，美国的电阻仍然大于平均OOS，这与之前的研究结果一致。这一问题令人惊讶，因为人们可能预计前沿市场和新兴市场的持续性将强于发达市场。表10给出了两年回顾期和六个月OOS的相同练习。[这里的表10]从表10中，我们观察到持久性进一步降低。有些年份（尤其是前沿市场）的持续性为0。这意味着这些年中生成的投资组合中，没有一个的交易业绩高于OOS前六个月的相关无风险利率。同样，对于前两起案件，我们注意到2008年出现了峰值。上述结果突显了贸易再平衡的重要性。我们注意到，在OOS的第一个月，投资组合的盈利能力可能为负的情况很少，但其中一些投资组合会在随后的时期内反弹（例如，见表8至表10中的2008年持续性）。在这些情况下，适应性似乎并不总是能带来利润的增加，而耐心是值得的。然而，大多数结果强调了平衡投资组合的重要性。新兴市场和前沿市场似乎并没有为静态投资组合提供避风港。

观察到的趋势让我们注意到，在2008年全球金融危机的高峰时期，持续性更强。这些结果引导我们进一步探索财务压力水平是否会影响技术分析的盈利能力（见第6.4节）。这一练习还可以显示交易者需要如何适应，以及技术规则的盈利能力是多么持久。这种选择也可以被视为建模部分I型和II型错误之间的权衡（Harvey和Liu，2015），下一节将对此进行进一步研究。6.3交叉验证将数据分为IS和OOS对技术分析的OOS盈利能力起着重要作用（见第6.1和6.2节）。如果只保留完整样本数据中的一小部分进行测试，将采用OOS的交易策略，那么很可能会遗漏真正的发现（即假阴性）（Harvey和Liu，2015）。此外，我们有兴趣确定不仅在IS中重要而且在OOS中重要的技术交易规则。为了验证技术分析在实践中的价值，我们需要检查是否存在在OOS中有益且在IS和OOS中都重要的技术规则。因此，在本节中，我们基于交叉验证实验，以创新的方式重新评估OOS性能的稳健性。特别是，我们探索了Harvey和Liu（2015）提出的一种方法，该方法涉及全样本和IS-OOS证据的组合，以搜索幸存者的交叉点。假设我们的IS期（即两年）与相应的OOS期（即分别为一个月、三个月和六个月）相比不太短，我们保留先前计算的IS-OOS测试结果。这些涉及到在OOS中幸存下来的真正的技术交易规则，即盈利能力（正回报）。

同时，我们采用DFDR+/方法，以更宽松的目标率（即20%）为全样本范围选择显著积极的规则。我们考虑三个全样本周期，分别对应所检查的三个不同OOS周期和IS周期，同时我们每次都使用聚合数据集（例如，第一种情况下为两年和一个月的全样本）。最后，我们将IS-OOS观察到的结果与全样本模拟进行合并，以确定这两种方法提供的重要规则的潜在交集。然后，我们评估了属于交叉点的规则的性能。据我们所知，这是第一次采取这种做法。表11-13报告了上述交叉验证测试的结果。特别是，在考虑交易成本后，十二个交叉验证投资组合的平均OOS年化平均超额回报率的构建方式与前几节类似。括号中还报告了根据真实重要规则（如第5.1节中确定的规则）交叉验证规则的平均百分比。[表11此处]表11显示了我们针对一个月OOS案例的交叉验证结果。盈利能力过高，尤其是在全球金融危机期间（即2008-2009年）。在剩下的时间里，新兴市场指数表现出了最高的表现，并报告了非常健康的回报，在最近几年中仅略有下降。frontiermarkets指数表现出类似的模式。对于发达市场指数而言，技术交易规则在大多数时期的表现似乎都很有希望，而与发达市场和前沿市场相比，收益率相当低。

由于交叉验证规则是有利可图的OOS规则的一个子集，因此自然会预期正盈利能力。交叉验证规则的百分比差别很大。对于高级指数而言，这些数字的范围从正版IS规则的0.01%到17.41%（即美国都是），而新兴市场指数的范围从0.01%（即中国、巴西）到18.07%（即中国）。此外，前沿指数交叉验证规则的相关百分比从0.01%（即摩洛哥、约旦）扩展到18.14%（即摩洛哥）。平均而言，所有市场和时期的相关幸存者百分比为表2所示的2.47%。与交易规则范围（即21195条）相比，规则的实际数量很小（平均有30条规则）。然而，如前所述，这项工作的目的是研究技术分析在交易中是否有任何价值。所考虑的交易规则的范围在特征和参数方面是多样化的。实际上，从业者会考虑所有可用的ISinformation，并根据这些知识选择规则的子集。例如，在全球金融危机（即2008-2009年）等熊市/牛市时期，交易员可能不会考虑任何反向规则（即RSI）来预测OOS。换言之，问题在于是否存在能够在交叉验证实践中幸存下来的规则（如果有），而不是有多少规则。从我们的实践中得到的答案是肯定的，因为它发现，短期市场效率低下可能会导致盈利，而技术规则可以利用它们。

表12显示了我们对三个月OOS案例的测试结果。【此处表12】我们在技术交易规则绩效方面观察到了相同的特征；然而，与一个月内获得的收益相比，产生的收益幅度较小。交叉验证规则的百分比与前一种情况相同。表13显示了六个月OOS案例。【此处的表13】在六个月的OOSPhorizon中进行交叉验证实验所提供的证据显示，与使用一个月和三个月的所有指数和所有后样本期的相关数据相比，回报更低。这一发现与描述一般OOS结果的第6.1节一致，因为重要规则暴露于具有不同趋势的更长的采样后时期。本节的研究结果表明，真正有利可图的技术规则是存在的，技术分析在交易中仍然有价值。我们的DFDR+/方法能够识别这些规则的子集，如第6.2节所示。交叉验证规则的百分比可能看起来很小，但值得一提的是，本节的范围是检查is和OOS中是否确实存在真正可盈利的规则。这些结果也可以看作是oracle交易员在我们的数据集中应用技术规则的表现。6.4财务压力在前几节中，我们注意到2008年和2009年技术规则的绩效达到峰值，这与最近的全球金融危机相对应。我们投资组合的业绩在接下来的几年里有所恶化，但即使在发达市场，在扣除交易成本后，仍然存在盈利能力过剩的情况。

我们的结果与之前的最新文献相矛盾，这些文献认为，在技术分析的交易成本之后，近期没有发现超额盈利能力（参见Hsu等人，2010；Bajgrowicz和Scaillet，2012和Taylor，2014）。这些作者认为，近年来，交易所交易基金、算法交易、市场流动性、衍生品或其他宏观经济因素的影响的普及消除了过度盈利能力。虽然这些因素的影响不容忽视，但我们的结果指导我们探索财务压力对我们投资组合的影响。为了探索财务压力对我们投资组合的影响，我们首先需要衡量它。文献中有丰富的财务压力指数。它们之间的区别是基于前面讨论的，以前的文献中没有一个像这里所介绍的那样具有如此广泛的实证应用。之前的研究还采用了更为保守和耗时的MHT框架，并将其经验应用限制在特定的年份或时期。例如，让我们考虑MSCIUS指数的情况，即2年IS和1个月OOS（见表5）。如果我们的申请仅限于2014年或2015年，我们的解释将是反直径的。DFDR+/的灵活性和适应性以及计算能力的最新发展使我们能够进行实证分析，揭示以前未知的模式。用于构建它们的组件、它们的频率以及它们所应用的市场。在我们的研究中，我们应用了金融研究办公室（OFR）的压力指数。它们基于33个市场金融变量构建，涵盖美国、其他发达经济体和新兴市场。

我们将第6.1节中针对美国、发达和新兴市场的调查结果与相关美国、其他发达和新兴市场的压力指数报告的压力水平相匹配。下面，我们将介绍我们的投资组合在高金融市场压力和低金融市场压力下的表现。[这里的表14]我们注意到，当新兴市场和其他发达市场的金融压力较高时，技术规则的交易表现要好得多。年化回报率在高位比低位高出五到六倍。这一发现与Smith et al.（2018）中的证据一致，其中作者证明技术分析在情绪高涨时期相对更有用。在情绪高涨时期，金融市场表现出更强的趋势，这可以通过基于动量的技术交易规则来捕捉。OFRstress指数基于一系列反映金融市场情绪的指标。对我们来说，我们观察到了相反的趋势。在美国，当压力水平较低时，10年研究期内技术规则的平均盈利能力为正，而当压力水平较高时，技术规则的平均盈利能力为负。就资本化而言，美国市场是研究中市场中流动性最强、规模最大的市场。看来，在高金融压力时期，投资者会寻求更安全的资产，转向更复杂的算法交易模型，或转向其他市场。我们的结果可以用美国市场的交易员与他们的替代品相比的成熟程度来解释。一般而言，我们注意到财务压力似乎是技术分析绩效的一个重要因素，但其影响似乎取决于市场的相关特征。其他指数（如St。

Louis Fed金融压力指数和堪萨斯城金融压力指数）专注于一个特定的指数，而其他指数则停留在我们的样本之前（如国际货币基金组织压力指数）。我们选择指数的标准是，从研究中涵盖尽可能多的市场，并确保所有指数均采用相同的方法构建。我们注意到，MSCI和OFR指数并不完全对应。例如，“otheradvanced”OFR指数不包括美国。然而，在被引用最多的财务压力指数中，OFR与我们的研究最为接近。OFR财务压力指数具有每日频率，并且在某些时期具有波动性。我们只研究了1个月的OOS病例，因为我们有兴趣在可能的最高频率下测量先前压力水平的影响。有关OFR财务压力指数来源的列表，请参阅，https://www.financialresearch.gov/financial-stressindex/files/indicators/index.html.7.结论以往对股票市场技术分析绩效的研究很少关注某些特征，例如，研究单一的、通常先进的市场指数；技术交易规则的上限数量和系列；不分解他们真正盈利的家庭；忽视交易成本的非现实技术交易行为。此外，还有其他重要问题，如样本内（IS）/样本外（OOS）水平Forexercise技术分析的长度；财务压力对其绩效的影响；对技术分析盈利能力持续性的详细估计；技术交易规则的频率组合的重要性在于重新平衡，很少有人回答或根本没有回答。

因此，学术界和金融业迫切需要对股票指数的技术分析进行全面和最新的研究。在这项研究中，我们对2004年至2015年期间的12个MSCI先进、新兴和前沿指数运用了21195条技术规则。为此，我们研究了IS和OOS的盈利能力、其持续性、财务压力的作用，以及是否存在在IS和OOS范围内盈利且重要的规则。我们还将探讨IS和OOS的大小对技术分析性能的作用。此外，我们引入了一种新的多假设检验方法来控制数据捕捉偏差，从而帮助我们在一个巨大的技术交易规则领域中做出准确的统计推断。我们的DFRD+/采用了大规模同质离散p值框架，同时动态地执行其参数估计。它是一种完全自适应的计算和高效的数据窥探测试方法，可以帮助学者和投资者处理大型数据集和大量竞争模型。蒙特卡罗模拟证明了其准确性，并证明了其在功率方面相对于强大的FDR基准的优势。DFRD+/方法确定了在IS和OOS中真实且可盈利的技术规则子集。在所有市场中表现优异的系列中，大多是均线移动、通道突破、支撑和阻力的系列，它们属于动量类技术交易。逆转策略的表现似乎较弱，仅在特定市场（如英国和约旦）存在显著影响。

此外，技术分析的可行性和持续性在指数和年份之间的OOS中有所不同，但我们观察到2008年和2009年的峰值。在接下来的一段时间里，技术分析的盈利能力下降，但在最近的一段时间里再次恢复。关于技术分析的持久性，它高于美国指数。我们注意到，当IS减少到一年或OOS增加到三个月或六个月时，我们的所有结果都会受到负面影响。对于同一个美国市场，我们还观察到，当金融压力水平较低时，技术分析会获得价值，而对于新兴市场和其他发达市场，我们会得到相反的结果。最后，一项新的交叉验证实践证实，少量技术规则在IS和IS-OOS期间都是真实的和有利可图的。我们的结果表明，即使在发达市场，技术分析仍然有价值，可以利用短期市场的低效率。其盈利能力随着年份和指标的变化而变化，似乎是几个参数的一个因素。我们的实证研究揭示了两个因素，即财务压力水平和IS和OOS的选择。我们的结果也在一定程度上解释了以前文献中的不一致之处。该领域先前的部分研究试图确定是否长期存在真正的技术规则（Brock et al.，1992；Hsu et al.，2010；Hsu et al.2016）。我们的结果表明，技术规则的盈利能力具有短期持续性。一项技术规则在较长时期内不盈利并不意味着技术分析没有价值。其他研究仅关注OOS测试的个别指数和/或特定年份（Brock等人，1992年；Sullivan等人，1999年；Bajgrowicz和Scaillet，2012年）。

如前所述，技术分析盈利能力随着年份和指数的变化而变化，这一事实在我们新颖的DFRD+/的帮助下得以揭示，其适应性使我们能够进行大规模的实证分析。关注特定的指数或年份可能会导致误导性结果，因为技术规则的有效性似乎极不稳定。致谢我们感谢Laurent Barras、Campbell R.Harvey、Fearghal Kearney、Neil Kellard、Christopher J.Neely和Guofu Zhou以及Oviedo大学（2017）、纽卡斯尔大学（2017）预测金融市场（2017）和定量金融与风险分析（2017）会议和研讨会参与者的评论，圣安德鲁斯大学（2018）、格拉斯哥大学（2018）、卡斯商学院（2018）、格拉斯哥大学（2019）和拉古纳大学（2019）。任何错误均由作者自行负责。参考Allen，H.L.和Taylor，M.P.，1992年。图表分析。摘自：Milgate，M.、Newman，P.、Eatwell，J.（编辑），《新帕尔格雷夫货币和金融词典》。麦克米伦，伦敦，第339-342页。Asness，C.S.、Moskowitz，T.J.和Pedersen，L.H.，2013年。价值和动力无处不在。《金融杂志》68（3），929-985。Bajgrowicz，P.和Scaillet，O.，2012年。重温技术交易：错误发现、持久性测试和交易成本。《金融经济学杂志》106（3），473-491。Barras，L.、Scaillet，O.和Wermers，R.，2010年。共同基金业绩中的错误发现：在估计的Alpha中衡量运气。《金融杂志》65（1），179-216。Bena，J.、Ferreira，M.A.、Matos，P.和Pires，P.，2017年。外国投资者是蝗虫吗？外国机构所有权的长期影响。《金融经济学杂志》126（1），122146。Benjamini，Y.，2010年。

发现错误发现率。皇家统计学会杂志。系列B（统计方法学）72（4），405-416。Benjamini，Y.和Hochberg，Y.，1995年。控制错误发现率：一种实用而强大的多重测试方法。皇家统计学会杂志。B系列（方法学）57（1），289-300。Benjamini，Y.和Yekutieli，D.，2001年。多测试依赖中错误发现率的控制。《统计年鉴》29（4），1165-1188年。Brock，W.、Lakonishok，J.和LeBaron，B.，1992年。简单的技术交易规则和股票收益的随机性。《金融杂志》47（5），1731-1764年。Cesari，R.和Cremonini，D.，2003年。基准、投资组合保险和技术分析：资产配置动态策略的蒙特卡罗比较。《经济动力学与控制杂志》27（6），987-1011。Chan，L.、Jegadeesh，N.和Lakonishok，J.，1997年。动量策略，《金融杂志》51（5），1681-1713年。DeBondt，W.F.M.和Thaler，R.，1985年。股市是否反应过度？《金融杂志》40（3），783–805。Demirgüc-Kunt，A.和Levine，R.，1996年。股票市场发展与金融中介：程式化事实。世界银行经济评论10（2），291-321。欧洲期货交易所，2018年。EurexDeutschland和Eurexzürich的期货合同和期权合同规范。[在线]https://www.eurexchange.com/resource/blob/331734/f3df381b2d058db387c6e831139d52ba/data/cs_history_01122008_en.pdf.pdf（2017年12月咨询）Fama、Eugene F.和Kenneth R.French，2010年。《共同基金收益横截面中的运气与技巧》，《金融杂志》第65（5）期，1915-1947年。Fan，J.和Han，X.，2017年。具有未知相关性的错误发现比例估计。皇家统计学会杂志。

系列B（统计方法）79（4），1143-1164。冯文和谢长廷，D.A.，2001年。对冲基金策略中的风险：趋势跟踪者的理论和证据。财务研究回顾14（2），313–341。Genovese，C.R.和Wasserman，L.，2006年。虚假发现比例的超越控制。《美国统计协会杂志》101（476），1408-1417。Han，Y.，Zhou。，G、 Zhu，Y.，2016年。一个趋势因素：在投资期内使用信息是否有任何经济收益？《金融经济学杂志》122（2），352-375。Hansen，P.R.，2005年。对卓越预测能力的测试。《商业与经济统计杂志》23（4），365-380。Harvey，C.R.和Liu，Y.，2015年。回溯测试。《投资组合管理杂志》42（1），1328。Harvey，C.R.，2017年。总统演讲：金融经济学的科学观。《金融杂志》72（4），1399-1440。Holm，S.，1979年。一种简单的顺序拒绝多重测试程序。斯堪的纳维亚统计杂志6（2），65-70。Hsu，P.H.、Hsu，Y.C.和Kuan，C.M.，2010年。使用新的无数据窥探偏差的逐步检验测试技术分析的预测能力。《经验金融杂志》17（3），471484。Hsu，P.H.、Taylor，M.P.和Wang，Z.，2016年。技术交易：是否仍在击败外汇市场？《国际经济学杂志》102，188-208。投资技术集团，2013年。贸易成本和贸易流量。[在线]www.itg。com/marketing/ITG\\u GlobalTraddeCostFlow\\u 2012年12月\\u 20130201。pdf（2017年12月查阅）Jegadeesh，N.，1990年。证券回报可预测行为的证据。《金融杂志》45（3），881–898。Jegadeesh，N.和Titman，S.，1993年。买入赢家和卖出输家的回报：对股市效率的影响。《金融杂志》48（1），65–91。Jegadeesh，N.和Titman，S.，2001年。

动量策略的盈利能力：对替代解释的评估。《金融杂志》56（2），699-720。Kosowski，R.、Timmermann，A.、Wermers，R.和White，H.，2006年。共同基金“明星”真的能挑选股票吗？Bootstrap分析的新证据，《金融杂志》61（6），2551–2595。Kulinskaya，E.和Lewin，A.，2009年。关于离散分布的模糊家族错误率和错误发现率过程。Biometrika，96（1），201-211。Levy，R.A.，1967年。相对实力作为投资选择的标准。《金融杂志》22（4），595–610。Levy，R.A.，1971年。五点图模式的预测意义。《商业杂志》44（3），316–323。Liang，K.，2016年。大规模齐次离散PTValue的错误发现率估计。生物识别，72（2），639-648。Liang，K.和Nettleton，D.，2012年。用于错误发现率控制和估计的自适应和动态自适应程序。皇家统计学会杂志。系列B（统计方法学）74（1），163-182。Lo，A.W.和Hasanhodzic，J.，2009年。金融异端：与技术分析主要从业者的对话。彭博社出版社。摩根士丹利资本国际，2013年。在机构投资组合中部署多因素指数配置。[在线]https://www.msci.com/documents/1296102/1336482/Deploying_Multi_Factor_Index_Allocations_in_Institutional_Portfolios.pdf/857d431b-d289-47ac-a644-b2ed70cbfd59（2013年12月咨询）Pounds，S.和Cheng，C.，2006年。错误发现率的稳健估计。生物信息学22（16），1979-1987年。Qi，M.和Wu，Y.，2006年。技术交易规则盈利能力、数据窥探和真实性检查: 外汇市场的证据。《货币、信贷和银行杂志》38（8），2135–2158。Romano，J.P.和Wolf，M.，2005年。

作为形式化数据窥探的逐步多重测试。《计量经济学》73（4），1237-1282。Romano，J.P.、Shaikh，A.M.和Wolf，M.，2008年。基于一般错误率的形式化数据窥探。计量经济学理论24（2），404-447。萨斯特里，R.，2018年。评估绩效评估。SSRN提供：https://ssrn.com/abstract=3209119或http://dx.doi.org/10.2139/ssrn.3209119Smith，D.M.，Wang，N.，Wang，Y.，Zychowicz，J.，2016年。Sentimen和技术分析的有效性：来自对冲基金行业的证据。《金融与定量分析杂志》52（6），1991-2013年。斯托里，J.D.，2002年。错误发现率的直接方法。皇家统计学会杂志。系列B（统计方法学）64（3），479-498。斯托里，J.D.，2003年。正误发现率：贝叶斯解释和q值。《统计年鉴》31（6），2013-2035年。斯托里，J.D.、泰勒，J.E.和西格蒙德，D.，2004年。错误发现率的强控制、保守点估计和同时保守一致性：统一方法。皇家统计学会杂志。系列B（统计方法学）66（1），187-205。Storey，J.D.和Tibshirani，R.，2003年。全基因组研究的统计学意义。《美国国家科学院院刊》1009440-9445。Sullivan，R.、Timmermann，A.和White，H.，1999年。数据窥探、技术交易规则性能和引导。《金融杂志》54（5），1647-1691。Sun，W.、Reich，B.J.、Tony Cai，T.、Guindani，M.和Schwartzman，A.，2015年。大规模空间多重测试中的错误发现控制。皇家统计学会杂志。B系列（统计方法）77（1），59-83。Taylor，N.，2014年。技术交易规则成功的兴衰。《银行与金融杂志》40，286-302。怀特，H.，2000年。

数据窥探的真实性检查。《计量经济学》68（5），1097-1126。薛敏，Y.和郑，L.，2016年。《基本面分析和股票回报的横截面：数据挖掘方法》，即将出版的《金融研究评论》。Taylor，M.P.和Allen，H.L.，1992年。技术分析在外汇市场中的应用。《国际货币与金融杂志》11（3），304–314。Wilder Jr.，J.W.，1978年。技术交易系统中的新概念。亨特出版公司，北卡罗来纳州格林斯堡。Zhu，Y.和Zhou，G.，2009年。技术分析：使用移动平均值的资产配置视角。《金融经济学杂志》92（3），519-544。附录附录A.蒙特卡罗模拟在本附录中，我们使用蒙特卡罗实验提供了FDR+/测试有限样本性能的支持证据。我们的主要目标是探索测试的经验水平和力量，以准确估计跑赢大市、跑输大市和中性交易规则的比例。尽管我们主要关注FDR率及其对具有显著回报（正或负）的规则的拒绝频率的影响，但我们也将其与Storey（2004）中提出的FDR程序的影响进行了比较。在开始运行蒙特卡罗模拟之前，我们需要确保我们的实验正确体现了所采用的技术交易策略的经验特性，例如其时间序列和横截面依赖性（另请参见Barras et al.，2010；Hsu et al.，2010；Bajgrowicz and Scaillet，2012）。我们之前已经证明，我们的技术交易规则完全以弱依赖形式为特征，这尤其适用于属于同一家族的人（例如移动平均线）。

这是主要属性，我们在构建实验时需要考虑到这一点。通过这种方式，我们可以检查DFDR+/是否确实对弱依赖条件有良好的响应。为了在这个方向上工作，我们同时对b*l返回，其中b 随机块大小是连续的时间序列观测值！bu“+32在固定引导和l“+++/0表示交易规则的宇宙，如Experiicalexercise中所示。这种方法还允许我们保留同一类策略之间的横截面依赖性，同时每次我们将相同的引导复制应用于所有交易规则时，我们也保留自相关。对于蒙特卡罗实验，我们随机选择最初的155天样本（即7个月）从2013年7月1日至2014年2月1日，模拟我们的轨迹，我们为l“++/0与实证练习中的交易规则相同。特别是，我们使用固定引导创建每个实现的轨迹，类似于计算实证研究的p值。我们生成1000个引导复制的回报，其中每个复制都具有类似的统计特性。为了获得DFDR+/测试在选择比例方面的真正威力对于表现优异、表现不佳和中立的规则，我们需要事先控制这些比例，同样也要事先观察它们。然后，我们可以将其与基于DFDR+/的相应估计进行比较。我们将20%的模拟策略调整为优于基准，50%的调整为在没有显著表现的情况下提供“中性”回报，30%的调整为在模拟过程中低于基准。

所选的表现不佳（selectedoutperforming）策略仅由一组相邻的规则组成，在我们的实证样本中，这些规则按照最高（最低）回报进行排名。通过这种方式，我们避免了在我们的小组规则中只使用略有不同的参数，但同时也可能涉及表现优异和表现不佳的类别。就所遵循的具体程序而言，我们通过将每个交易规则的生成收益与其自身的平均值重新集中，实现了对跑赢大市、“中性”和跑赢大市规则的控制，并将其用于所有五个规则系列。这实际上导致所有轨迹的平均值几乎为零，同时保留其相应的唯一标准差。然后，我们将表现优异和表现不佳规则的路径分别偏移一些正值和负值，同时保持每个规则对应的标准偏差相同。然而，除了平均值外，这种平行过渡不会影响路径的经验属性（见Paparoditis和Politis，2003）。其概念是构建不同策略的轨迹，以便为所有表现优异的规则获得相同的正夏普比，为表现优异的规则获得相同的负夏普比。我们提前指定了所选的正夏普比和负夏普比。至于用于改变表现优异和表现不佳策略路径的目标夏普比率，我们遵循Bajgrowicz和Scaillet（2012）的研究，并选择与我们的实证研究中获得的夏普比率密切相关的夏普比率。

特别是，我们为跑赢大市规则设定了三个正夏普比率的具体目标，即2、3、4；以及针对我们表现不佳规则的三个负夏普比率的具体目标，即-2、-3、-4。所有这些都对应于年化夏普比率，就像根据每种策略的每日回报计算的那样。然后，我们考虑上面的夏普比率对，以调整表现优异和表现不佳的规则，同时将其轨迹转向目标。以（2，-2）对为例。我们设计了20%的规则，以产生相等的夏普比率2（即表现优异），同样，所有30%的规则共享相等的夏普比率-2（即表现不佳）。剩下的50%的规则显示零性能。这导致了九种可能的正夏普比和负夏普比对组合，代表了针对夏普比等于零的零的固定替代假设。上述水平似乎与我们的历史样本结果相匹配，因为我们获得了最佳执行策略的正年化夏普比率高达4，负年化夏普比率向下，将每个规则的相应标准偏差乘以预先指定的夏普比率，然后我们将计算值添加到每个数据点，使规则的平均值成为SR sigma-表现最差的为4。然而，对我们的投资组合构建方法而言，表现优异与表现不佳的pairof（2，-2）仍然是一个极具挑战性的设置。我们在下面的表A.1-A.3中给出了蒙特卡罗实验的结果。

表A.1显示了基于Sharpe比率的线性组合的1000次蒙特卡罗复制的受控优于和低于表现的技术交易规则的年化平均超额回报四分位数。[这里的表A.1]一般来说，我们获得的年化平均回报率似乎与相应的夏普比率水平非常相似，无论是正的还是负的。表A.2侧重于DFDR+/方法的估计能力，给出了表现优异比例的估计值(πAWv，表现不佳(πA&?) 和中性(πN？）夏普比率度量和九个可能的夏普比率对的策略。它还报告了估值器在跟踪跑赢大市的实际比例方面的成功！πAW“.3w2，表现不佳！πA&“x3w2，空档！πN“03w）交易规则。我们再次将Storey等人（2004）的“点估计法”应用于DFDR+/测试，以获得基于蒙特卡罗结果的这些比例的估计值。这一次，我们将截止阈值固定为γ\\“3车型年款，目前为止πAWvand公司πA&?保持不变（见Barras et al.2010）。换句话说，作为γ 增加到足够的值，πAWvand公司πA&?包括真实和错误的交易规则选择，分别代表表现优异和表现不佳规则的总数。[这里的表A.2]我们的DFDR+/方法似乎为技术交易规则的表现优异、表现不佳和中性比例提供了非常稳健的估计，与真实的相应水平只有很小的偏差。例如，看看（3，-3）夏普比率对，这是表现优于规则（即。πAWv）为15.23%，是表现不佳规则（即。πA&?) 为27.68%，对于中性规则（即。

πN？）57.09%，与实际水平20%、30%和50%相当接近。这清楚地突显了我们的方法在准确识别整个人群中表现优异、表现不佳和中立规则的真实比例方面的威力。最后，我们在表A.3中给出了基于蒙特卡罗模拟的DFDR+方法下构建的优于规则的投资组合以及每个九夏普比率组合的绩效。我们将DFDR+控制在预先指定的水平，类似于我们的经验练习。例如，我们通过将错误选择的目标分别设置为10%和20%，构建了两种不同类型的DFDR+投资组合。在性能和功率方面，该表报告了与预先调整的固定水平（即10%和20%）相比所达到的实际错误发现率（FDR+）、真正表现最佳的规则占以“功率”表示的优于规则总数的比例，真正表现最佳的交易规则的绝对数量为“投资组合规模”。为了反映拟议方法的主要贡献，我们将我们的结果与Storey等人（2004）的FDR程序进行比较，同时将FDR分别控制在10%和20%的目标水平。【此处的表A.3】表A.3的调查结果表明，DFDR+/方法在有限样本功率方面优于更保守的FDR方法，如Storey等人（2004年）的方法。具体而言，DFDR+/报告了规则选择和投资组合大小方面的强大能力，同时它密切跟踪所有条件和夏普比率对的实际错误发现率。