Výběr AOS modelu pro trendové obchodování
Pro aplikaci
trendového způsobu obchodování můžeme využít více metod. Často je náročné určit,
kerý model je ten správný, nicméně existují jistá vodítka vycházející z charakteru
datové řady a podobně. Se zajímavou prací přišli nedávno Valeriy Zakamulin a Javier
Giner: Trend Following with Momentum Versus Moving Average: A Tale ofDifferences
V ní zkoumají
dvě základní metody dlouhodobého trendového obchodování (trendfollowigu):
momenta (cena aktiva je vyšší/ nižší než za look-back parametr délky dané
periody) a klouzavých průměrů (cena vyšší/ nižší než průměr nebo aplikace křížení
cenových průměrů).
Korelace abou
přístupů je, ja by se dalo očekávat, velice vysoká při silných trendech. Avšak
robustnost jim vychází větší u metody klouzavých průměrů s ohledem na
změny look-back parametrů (délky zvolených průměrů). To znamená, že v případech
nejistoty trendového vývoje je výhodnější použít klouzavé průměry. Korelace
mezi dvěma různýmim modely kouzavých průměru bude vyšší a stabilnější než u
dvou modelů momenta s odlišnými look-back parametry. Pohlédněme na
komparaci vývoje korelací v rámci uvedených modelů graficky:
Jak jsem již
uvedl výše, výběr modelu závisí kromě jiného na charakteristice cenového vývoje
datové řady a v praxi zkoumáme autokorelaci cenových výnosů daného aktiva
v čase.
Je nutné si uvědomit, že časová řada výnosů má
oproti jednoduché cenové řadě stacionární charakter a tudíž má tendenci se
vracet k určitému fixnímu dlouhodobému historickému průměru. To zda má pak
také cena obvykle tendenci se vracet k jistému průměru nebo pokračovat
v růstové fázi lze vyjádřit dle statistiky sériové autokorelace výnosů.
Pakliže pozitivní, tak jednoduše řečeno, minulé výnosy v poslední době
mají sklon být následovány pozitivními výnosy nyní (negativní výnosy pak
následovány negativními). Negativní sériová autokorelace pak znamená situaci,
kdy pozitivní výnosy mají tendenci být následovány negativními a naopak, čímž
dochází k návratu k jistému průměru.
Matematicky lze
koeficient sériové autokorelace vyjádřit pro k-zpoždění výnosů
v minulosti, které zkoumáme, zda korelují se stávajícími výnosy,
následovně:
Pakliže existuje
stabilní a silnější pozitivní autokorelace, pak momentum modely budou obecně
vykazovat lepší predikční schopnosti cenového vývoje. Naopak při poklesu této
statistiky je výhodné aplikovat modely klouzavých průměrů.
Z mé praxe
pak v segmentu AOS, o strategiích, které jsou v praxi historicky úspěšné a
které ne, pak dle mých zkušeností s téměř tisíci trading systémy mnoha
developerů, pak více například zde: https://www.systemtradingunleashed.com/
Jaké jsou další
trendové modely a jakým způsobem tyto aplikuji při mém osobním obchodování na
akciovém trhu za pomocí opčních kontraktů? Plus mnoho dalších přístupů a rad různých
zkušených obchodníků bude pak možno získat na Trading foru v Praze 9.11.: https://www.tradingforum.cz/
Upozornění: Nejedná se o investiční doporučení,
článek má jen a pouze vzdělávací charakter. Obchodování instrumentů ať již
burzovních nebo mimoburzovních s sebou nese potenciální velké riziko, nejen
výnos a není vhodné pro každého. Rozhodnutí obchodovat je odpovědností
každého jednotlivce a jedině on/ ona sám(a) nese za svá rozhodnutí plnou
odpovědnost. Nikdy se nepouštějte do obchodů, jejichž podstatě plně nerozumíte.
Minulé výnosy nejsou garancí výnosů budoucích.
Komentáře
Okomentovat