Artigos acadêmicos sobre estratégias de negociação

Artigos acadêmicos sobre estratégias de negociação
Afiliação: Dipartimento di Economia e Impresa, Universitá di Catania, Catania, Itália.
Alessandro Pluchino.
Afiliações: Dipartimento di Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.
Andrea Rapisarda.
Afiliações: Dipartimento di Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.
Dirk Helbing.
Afiliação: ETH Zurique, Zurique, Suíça.
Neste artigo, exploramos o papel específico da aleatoriedade nos mercados financeiros, inspirados pelo papel benéfico do ruído em muitos sistemas físicos e em aplicações anteriores a sistemas socioeconômicos complexos. Após uma breve introdução, estudamos o desempenho de algumas das estratégias de negociação mais utilizadas na previsão da dinâmica dos mercados financeiros para diferentes índices internacionais de bolsa de valores, com o objetivo de compará-las ao desempenho de uma estratégia completamente aleatória. A este respeito, os dados históricos para FTSE-UK, FTSE-MIB, DAX e S & amp; Os índices P500 são levados em conta por um período de cerca de 15 a 20 anos (desde sua criação até hoje).
Citação: Biondo AE, Pluchino A, Rapisarda A, Helbing D (2013) As estratégias de negociação aleatória são mais bem-sucedidas que as técnicas? PLoS ONE 8 (7): e68344. doi: 10.1371 / journal. pone.0068344.
Editor: Alejandro Raul Hernandez Montoya, Universidade Veracruzana, México.
Direitos autorais: © 2013 Biondo et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença de Atribuição da Creative Commons, que permite uso, distribuição e reprodução irrestritos em qualquer meio, desde que o autor e a fonte originais sejam creditados.
Financiamento: Os autores não têm apoio ou financiamento para relatar.
Interesses concorrentes: Os autores declararam que não existem interesses concorrentes.
Introdução.
Na física, tanto no nível clássico quanto quântico, muitos sistemas reais funcionam bem e mais eficientemente devido ao papel útil de um ruído fraco aleatório [1] - [6]. Mas não apenas os sistemas físicos se beneficiam da desordem. De fato, o ruído tem uma grande influência na dinâmica de células, neurônios e outras entidades biológicas, mas também em sistemas ecológicos, geofísicos e socioeconômicos. Seguindo essa linha de pesquisa, investigamos recentemente como estratégias aleatórias podem ajudar a melhorar a eficiência de um grupo hierárquico para enfrentar o princípio de Peter [7] - [9] ou uma instituição pública como o Parlamento [10]. Outros grupos exploraram com sucesso estratégias semelhantes em jogos de minorias e Parrondo [11], [12], na avaliação de desempenho de portfólio [13] e no contexto do leilão duplo contínuo [14].
Recentemente Taleb foi brilhantemente discutido em seus livros de sucesso, como o acaso e os cisnes negros governam nossa vida, mas também o comportamento da economia e do mercado financeiro além de nossas expectativas ou controle pessoal e racional. Na verdade, a aleatoriedade entra em nossa vida cotidiana, embora dificilmente a reconheçamos. Portanto, mesmo sem ser cético tanto quanto Taleb, pode-se facilmente afirmar que muitas vezes entendemos mal os fenômenos que nos rodeiam e somos enganados por aparentes conexões que são apenas devido à fortuna. Os sistemas econômicos são inevitavelmente afetados pelas expectativas, presentes e passadas, já que as crenças dos agentes influenciam fortemente sua dinâmica futura. Se hoje surgiu uma expectativa muito boa sobre o desempenho de qualquer segurança, todos tentariam comprá-la e essa ocorrência implicaria um aumento em seu preço. Então, amanhã, essa garantia teria um preço maior do que hoje, e esse fato seria apenas a consequência da própria expectativa do mercado. Essa profunda dependência das expectativas fez com que economistas financeiros tentassem construir mecanismos para prever os preços futuros dos ativos. O objetivo deste estudo é precisamente verificar se esses mecanismos, que serão descritos em detalhes nas próximas seções, são mais eficazes para prever a dinâmica do mercado em comparação com uma estratégia completamente aleatória.
Em um artigo anterior [17], motivado também por alguns experimentos intrigantes em que uma criança, um chimpanzé e dardos foram utilizados com sucesso para investimentos remunerativos [18], [19], já encontramos algumas evidências a favor de estratégias aleatórias para o FTSE - Mercado de ações do Reino Unido. Aqui vamos estender esta investigação para outros mercados financeiros e para novas estratégias de negociação. O artigo está organizado da seguinte forma. A seção 2 apresenta uma breve introdução ao debate sobre a previsibilidade nos mercados financeiros. Na Seção 3, introduzimos a série histórica financeira considerada em nosso estudo e realizamos uma análise de retificação em busca de possíveis correlações de algum tipo. Na Seção 4, definimos as estratégias de negociação usadas em nossas simulações, enquanto na Seção 5 discutimos os principais resultados obtidos. Finalmente, na Seção 6, extraímos nossas conclusões, sugerindo também algumas implicações políticas contraintuitivas.
Expectativas e Previsibilidade nos Mercados Financeiros.
Como Simon [20] apontou, os indivíduos assumem sua decisão com base em um conhecimento limitado sobre seu ambiente e, assim, enfrentam altos custos de busca para obter informações necessárias. No entanto, normalmente, eles não podem reunir todas as informações que deveriam. Portanto, os agentes agem com base na racionalidade limitada, o que leva a vieses significativos na maximização da utilidade esperada que eles buscam. Em contraste, Friedman [21] defendeu a abordagem do agente racional, que considera que o comportamento dos agentes pode ser melhor descrito assumindo sua racionalidade, uma vez que os agentes não-racionais não sobrevivem à competição no mercado e são expulsos dele. Portanto, nem os vieses sistemáticos na utilidade esperada, nem a racionalidade limitada podem ser usados ​​para descrever os comportamentos dos agentes e suas expectativas.
Sem qualquer receio de contradição, poder-se-ia dizer que hoje em dia dois principais modelos de referência de expectativas foram amplamente estabelecidos na literatura econômica: o modelo de expectativas adaptativas e o modelo de expectativa racional. Aqui não daremos nenhuma definição formal desses paradigmas. Para os nossos propósitos, é suficiente recordar sua justificativa. O modelo de expectativas adaptativas baseia-se em uma série ponderada de valores retrospectivos (de modo que o valor esperado de uma variável é o resultado da combinação de seus valores passados). Em contraste, o modelo de expectativas racionais hipotetiza que todos os agentes têm acesso a todas as informações disponíveis e, portanto, conhecem exatamente o modelo que descreve o sistema econômico (o valor esperado de uma variável é a previsão objetiva fornecida pela teoria). Essas duas teorias remontam a contribuições muito relevantes, entre as quais apenas nos referimos a Friedman [21], [22], Phelps [23] e Cagan [24] para expectativas adaptativas (vale a pena notar que a noção de “ expectativas adaptativas ”foi introduzido pela primeira vez por Arrow e Nerlove [25]). Para expectativas racionais, nos referimos a Muth [26], Lucas [27] e Sargent-Wallace [28].
Os mercados financeiros são frequentemente tomados como exemplo de dinâmicas complexas e volatilidade perigosa. Isso de alguma forma sugere a ideia de imprevisibilidade. No entanto, devido ao papel relevante desses mercados no sistema econômico, um amplo corpo de literatura foi desenvolvido para obter algumas previsões confiáveis. De fato, a previsão é o ponto chave dos mercados financeiros. Desde Fama [29], dizemos que um mercado é eficiente se ocorrer uma arbitragem perfeita. Isso significa que o caso de ineficiência implica a existência de oportunidades para lucros inexplorados e, é claro, os operadores operariam imediatamente posições longas ou curtas até que qualquer outra possibilidade de lucro desaparecesse. Jensen [30] afirma precisamente que um mercado deve ser considerado eficiente em relação a um conjunto de informações, se for impossível obter lucros por negociação com base nesse conjunto de informações. Isso é consistente com Malkiel [31], que argumenta que um mercado eficiente reflete perfeitamente todas as informações na determinação dos preços dos ativos. Como o leitor pode entender facilmente, a parte mais importante dessa definição de eficiência depende da integridade do conjunto de informações. De fato, Fama [29] distingue três formas de eficiência de mercado, de acordo com o grau de completude do conjunto informativo (ou seja, “fraco”, “semiforte” e “forte”). Assim, traders e analistas financeiros buscam continuamente expandir seu conjunto de informações para obter a oportunidade de escolher a melhor estratégia: esse processo envolve tanto agentes em flutuações de preço que, no final do dia, pode-se dizer que sua atividade é reduzida a um palpite sistemático. A globalização completa dos mercados financeiros ampliou esse processo e, com o tempo, estamos experimentando décadas de extrema variabilidade e alta volatilidade.
Keynes argumentou, há muitos anos, que a racionalidade dos agentes e da psicologia de massa (os chamados "espíritos animais") não devem ser interpretados como se fossem a mesma coisa. O Autor apresentou o famoso exemplo do concurso de beleza para explicar a lógica subjacente aos mercados financeiros. Em sua Teoria Geral [32] ele escreveu que “o investimento baseado em expectativas genuínas de longo prazo é tão difícil que dificilmente é praticável. Aquele que o tenta certamente deve levar dias muito mais trabalhosos e correr riscos maiores do que aquele que tenta adivinhar melhor do que a multidão como a multidão se comportará; e, dada inteligência igual, ele pode cometer erros mais desastrosos. Em outras palavras, a fim de prever o vencedor do concurso de beleza, deve-se tentar interpretar a beleza preferida do júri, em vez de prestar atenção no ideal da beleza objetiva. Nos mercados financeiros é exatamente a mesma coisa. Parece impossível prever preços de ações sem erros. A razão é que nenhum investidor pode saber de antemão a opinião “do júri”, ou seja, de uma massa de investidores ampla, heterogênea e muito substancial, que reduz qualquer previsão possível a apenas um palpite.
Apesar de considerações como essas, a chamada Hipótese dos Mercados Eficientes (cuja principal fundamentação teórica é a teoria das expectativas racionais), descreve o caso de mercados perfeitamente competitivos e agentes perfeitamente racionais, dotados de toda informação disponível, que escolhem as melhores estratégias ( já que, de outra forma, o mecanismo competitivo de compensação os colocaria fora do mercado). Há evidências de que essa interpretação de um mecanismo de arbitragem perfeito em pleno funcionamento não é adequada para analisar os mercados financeiros, como, por exemplo: Cutler et al. [33], que mostra que grandes movimentos de preços ocorrem mesmo quando pouca ou nenhuma nova informação está disponível; Engle [34], que relatou que a volatilidade dos preços está fortemente correlacionada temporalmente; Mandelbrot [35], [36], Lux [37], Mantegna e Stanley [38], que argumentam que as flutuações de curto prazo dos preços não são normais; ou por último, mas não menos importante, Campbell e Shiller [39], que explicam que os preços podem não refletir com precisão as avaliações racionais.
Muito interessante, uma infinidade de modelos de agentes heterogêneos foram introduzidos no campo da literatura financeira. Nesses modelos, diferentes grupos de comerciantes coexistem, com diferentes expectativas, influenciando-se mutuamente por meio das conseqüências de seus comportamentos. Mais uma vez, nossa discussão não pode ser exaustiva aqui, mas podemos mencionar proveitosamente pelo menos contribuições de Brock [40], [41], Brock e Hommes [42], Chiarella [43], Chiarella e He [44], DeGrauwe e cols. . [45], Frankel e Froot [46], Lux [47], Wang [48] e Zeeman [49].
Parte dessa literatura refere-se à abordagem, denominada “sistemas de crenças adaptativas”, que tenta aplicar a não-linearidade e o ruído aos modelos de mercado financeiro. A incerteza intrínseca sobre fundamentos econômicos, juntamente com erros e heterogeneidade, leva à idéia de que, além do valor fundamental (ou seja, o valor descontado atual dos fluxos esperados de dividendos), os preços das ações flutuam de forma imprevisível devido a fases de otimismo ou pessimismo. para as fases correspondentes de tendência de alta e tendência de baixa que causam crises de mercado. Como esse tipo de comportamento errático pode ser gerenciado para otimizar uma estratégia de investimento? A fim de explicar a atitude muito diferente adotada pelos agentes para escolher estratégias ao negociar nos mercados financeiros, uma distinção é feita entre fundamentalistas e cartistas. Os primeiros baseiam suas expectativas sobre os preços dos ativos futuros sobre os fundamentos do mercado e fatores econômicos (ou seja, variáveis ​​micro e macroeconômicas, como dividendos, lucros, crescimento econômico, taxas de desemprego, etc.). Por outro lado, os últimos tentam extrapolar tendências ou características estatisticamente relevantes de séries passadas de dados, a fim de prever os caminhos futuros dos preços dos ativos (também conhecidos como análise técnica).
Dado que a interação destes dois grupos de agentes determina a evolução do mercado, escolhemos aqui focar no comportamento dos grafistas (uma vez que uma análise qualitativa dos fundamentos macroeconômicos é absolutamente subjetiva e difícil de avaliar), tentando avaliar a ex-investidora individual capacidade preditiva - ante. Assumindo a falta de informação completa, a aleatoriedade desempenha um papel fundamental, uma vez que a eficiência é impossível de ser alcançada. Isto é particularmente importante para sublinhar que a nossa abordagem não depende de qualquer forma do paradigma da Hipótese dos Mercados Eficientes acima mencionado. Mais precisamente, estamos buscando a resposta para a seguinte pergunta: se um trader assume a falta de informação completa em todo o mercado (isto é, a imprevisibilidade da dinâmica dos preços das ações [50] - [53]), seria estratégia de negociação executar, em média, tão bem como estratégias de negociação bem conhecidas? Passamos da evidência de que, como cada agente depende de um conjunto de informações diferente para construir suas estratégias de negociação, nenhum mecanismo eficiente pode ser invocado. Em vez disso, uma rede complexa de comportamento de auto-influência, devido à circulação assimétrica de informações, desenvolve suas ligações e gera comportamentos de manada para seguir alguns sinais cuja credibilidade é aceita.
Crises financeiras mostram que os mercados financeiros não estão imunes a falhas. Seu sucesso periódico não é gratuito: eventos catastróficos queimam valores enormes em dólares e os sistemas econômicos em grave perigo. Os comerciantes têm tanta certeza de que estratégias elaboradas se encaixam na dinâmica dos mercados? A nossa simulação simples irá realizar uma análise comparativa do desempenho de diferentes estratégias de negociação: os nossos traders terão que prever, dia a dia, se o mercado irá subir (tendência 'alta') ou para baixo (tendência 'bearish'). As estratégias testadas são: o Momentum, o RSI, o UPD, o MACD e um completamente aleatório.
Os teóricos das expectativas racionais imediatamente apostariam que a estratégia aleatória perderia a concorrência, pois não está usando nenhuma informação, mas, como mostraremos, nossos resultados são bastante surpreendentes.
Análise Detectada da Série de Índices.
Consideramos quatro índices muito populares de mercados financeiros e, em particular, analisamos as seguintes séries temporais correspondentes, mostradas na Figura 1:
Expandir Figura 1. Evolução temporal de quatro índices importantes do mercado financeiro (com intervalos de tempo de 3714 a 5750 dias).
De cima para baixo, mostramos o índice FTSE UK All-Share, o índice FTSE MIB All-Share, o índice DAX All-Share e o índice S & amp; Índice P 500. Veja o texto para mais detalhes.
Em geral, a possibilidade de prever séries temporais financeiras tem sido estimulada pelo achado de algum tipo de comportamento persistente em alguns deles [38], [54], [55]. O principal objetivo da presente seção é investigar a possível presença de correlações nas quatro séries financeiras anteriores do mercado de ações da Europa e dos EUA todos os índices de ações. Neste contexto, calcularemos o expoente de Hurst dependente do tempo usando a técnica de média móvel desviada (DMA) [56]. Vamos começar com um resumo do algoritmo DMA. O procedimento computacional é baseado no cálculo do desvio padrão ao longo de uma determinada série temporal definida como.
onde é a média calculada em cada janela de tempo de tamanho. Para determinar o expoente de Hurst, a função é calculada para valores crescentes dentro do intervalo, sendo o comprimento da série temporal, e os valores obtidos são reportados como uma função de um gráfico log-log. Em geral, exibe uma dependência da lei de potência com o expoente, ou seja,
Em particular, se, um tiver uma correlação negativa ou um comportamento anti-persistente, enquanto um tiver uma correlação positiva ou um comportamento persistente. O caso de corresponde a um processo browniano não correlacionado. No nosso caso, como primeiro passo, calculamos o expoente de Hurst considerando a série completa. Esta análise é ilustrada nas quatro parcelas da Fig. 2. Aqui, um ajuste linear aos gráficos log-log revela que todos os valores do índice H de H obtidos desta maneira para as séries temporais estudadas são, em média, muito próximos. para 0,5. Este resultado parece indicar uma ausência de correlações em grandes escalas de tempo e uma consistência com um processo aleatório.
Expandir a Figura 2. Análise detetada para as quatro séries do mercado financeiro mostradas na Figura 1.
O comportamento da lei de potência do desvio padrão de DMA permite derivar um índice de Hurst que, em todos os quatro casos, oscila em torno de 0,5, indicando uma ausência de correlações, em média, ao longo de grandes períodos de tempo. Veja o texto.
Por outro lado, é interessante calcular o expoente de Hurst localmente no tempo. Para realizar esta análise, consideramos subconjuntos da série completa por meio de janelas deslizantes de tamanho, que se movem ao longo da série com o intervalo de tempo. Isso significa que, a cada vez, calculamos o interior da janela deslizante mudando com a Eq. (1). Assim, seguindo o mesmo procedimento descrito acima, uma sequência de valores de expoente de Hurst é obtida em função do tempo. Na Fig. 3 mostramos os resultados obtidos para os parâmetros,. Neste caso, os valores obtidos para o expoente de Hurst diferem muito localmente de 0,5, indicando assim a presença de correlações locais significativas.
Expandir a Figura 3. Dependência temporal do índice de Hurst para as quatro séries: em escalas de tempo menores, correlações significativas estão presentes.
Esta investigação, que está de acordo com o que foi encontrado anteriormente na Ref. [56] para o índice Dax, parece sugerir que as correlações são importantes apenas em uma escala temporal local, enquanto elas cancelam a média em períodos de longo prazo. Como veremos nas próximas seções, esse recurso afetará o desempenho das estratégias de negociação consideradas.
Descrição das Estratégias de Negociação.
No presente estudo, consideramos cinco estratégias de negociação definidas da seguinte forma:
Estratégia Aleatória (RND) Esta estratégia é a mais simples, já que o trader correspondente faz sua previsão no tempo completamente ao acaso (com distribuição uniforme). Momentum (MOM) Estratégia Esta estratégia é baseada no chamado indicador de momentum, ou seja, a diferença entre o valor e o valor, onde é um dado intervalo de negociação (em dias). Então, se, o comerciante prevê um incremento do índice de fechamento para o dia seguinte (ou seja, ele prevê isso) e vice-versa. Nas seguintes simulações, consideraremos dias, já que este é um dos mais utilizados para o indicador de momento. Veja ref. [57] Estratégia do Índice de Força Relativa (RSI) Esta estratégia é baseada em um indicador mais complexo chamado "RSI". É considerada uma medida da força de negociação recente da ação e sua definição é:, onde está a relação entre a soma dos retornos positivos e a soma dos retornos negativos ocorridos nos últimos dias anteriores. Uma vez calculado o índice RSI para todos os dias incluídos em uma janela de tempo imediatamente anterior à hora, o trader que segue a estratégia RSI faz sua previsão com base em uma possível reversão da tendência de mercado, revelada pelo a chamada 'divergência' entre a série temporal original e a nova série RSI. Uma divergência pode ser definida referindo-se a uma comparação entre a série de dados original e a série RSI gerada, e é o sinal de negociação mais significativo fornecido por qualquer indicador de estilo do oscilador. É o caso quando a tendência significativa entre dois extremos locais mostrada pela tendência do RSI é orientada na direção oposta à tendência significativa entre dois extremos (no mesmo intervalo de tempo) mostrados pela série original. Quando a linha RSI se inclina de maneira diferente da linha da série original, ocorre uma divergência. Veja o exemplo na Fig. 4: dois máximos locais seguem duas tendências diferentes inclinadas de forma oposta. No caso mostrado, o analista interpretará essa divergência como uma expectativa otimista (já que o oscilador RSI diverge da série original: ela começa a aumentar quando a série original ainda está diminuindo). Em nosso modelo simplificado, a presença de tal divergência se traduz em uma mudança na previsão do sinal, dependendo da tendência de alta ou baixa dos dias anteriores. Nas simulações seguintes, escolheremos dias, uma vez que - mais uma vez - este valor é um dos mais utilizados nas estratégias de negociação reais baseadas no RSI. Veja ref. [57] Estratégia de Up and Down Persistency (UPD) Esta estratégia determinista não vem da análise técnica. No entanto, decidimos considerá-lo porque parece seguir o aparentemente alternativo comportamento alternativo de séries de mercado que qualquer observador pode ver à primeira vista. A estratégia é baseada na seguinte regra muito simples: a previsão para o comportamento do mercado amanhã é exatamente o oposto do que aconteceu no dia anterior. Se, por exemplo, um tiver, a expectativa no momento para o período será de alta: e vice-versa. Estratégia de Divergência de Convergência Média Móvel (MACD) A 'MACD' é uma série construída por meio da diferença entre duas Médias Móveis Exponenciais (EMA, doravante) do preço de mercado, referindo-se a duas janelas de tempo diferentes, uma menor e uma maior. Em qualquer momento t. Em particular, a primeira é a Média Móvel Exponencial de doze dias, enquanto a segunda se refere a vinte e seis dias. O cálculo desses EMAs em um intervalo de tempo pré-determinado, x, dado um peso de proporcionalidade, é executado pela seguinte fórmula recursiva: com, onde. Uma vez calculada a série MACD, obtém-se a média móvel exponencial de 9 dias e, finalmente, a estratégia de negociação para a previsão dinâmica do mercado pode ser definida: a expectativa para o mercado é de alta (baixa) se (). Veja ref. [57] Expandir Figura 4. Exemplo de divergência de RSI.
Uma divergência é um desacordo entre o indicador (RSI) e o preço subjacente. Por meio de linhas de tendência, o analista verifica se as inclinações de ambas as séries estão de acordo. Quando a divergência ocorre, uma inversão da dinâmica de preços é esperada. No exemplo, um período de alta é esperado.
Resultados de Simulações Baseadas em Empiricamente.
Para cada uma de nossas quatro séries temporais financeiras (em dias), o objetivo era simplesmente prever, dia a dia e para cada estratégia, o movimento ascendente (alta) ou descendente (baixa) do índice em um determinado dia com em relação ao valor de fechamento um dia antes: se a previsão estiver correta, o negociador ganha, caso contrário ele perde. Neste sentido, estamos interessados ​​apenas em avaliar a porcentagem de ganhos obtidos por cada estratégia, assumindo que - a cada passo - os operadores conhecem perfeitamente a história passada dos índices, mas não possuem nenhuma outra informação e não podem exercer nenhuma influência sobre os mesmos. mercado, nem receber qualquer informação sobre movimentos futuros.
A seguir, testamos o desempenho das cinco estratégias dividindo cada uma das quatro séries temporais em uma sequência de janelas de negociação de tamanho igual (em dias) e avaliando a porcentagem média de vitórias para cada estratégia dentro de cada janela enquanto os operadores se movem. ao longo da série dia a dia, de para. Este procedimento, quando aplicado, permite explorar o desempenho das várias estratégias para várias escalas de tempo (variando, de forma aproximada, de meses a anos).
A motivação por trás dessa escolha está ligada ao fato de que a evolução temporal de cada índice alterna claramente entre períodos calmos e voláteis, que em uma resolução mais precisa revelaria uma alternância adicional, autosemelhante, de comportamento intermitente e regular em escalas de tempo menores. uma característica dos mercados financeiros turbulentos [35], [36], [38], [58]. Tal característica torna qualquer previsão a longo prazo de seu comportamento muito difícil ou mesmo impossível com instrumentos de análise financeira padrão. O ponto é que, devido à presença de correlações em pequenas escalas temporais (como confirmado pela análise do expoente de Hurst dependente do tempo na Figura 3), pode-se esperar que uma dada estratégia de negociação padrão, baseada na história passada da índices, poderia executar melhor do que os outros dentro de uma determinada janela de tempo. Mas isso pode depender muito mais do acaso do que da eficácia real do algoritmo adotado. Por outro lado, se numa escala temporal muito grande a evolução do tempo do mercado financeiro é um processo browniano não correlacionado (como indicado pelo expoente médio de Hurst, que resulta em torno de todas as séries financeiras consideradas), pode-se esperar também que o desempenho das estratégias de negociação padrão em uma grande escala de tempo torna-se comparável a estratégias aleatórias. Na verdade, isso é exatamente o que encontramos, conforme explicado a seguir.
Nas Figs. 5–8, relatamos os resultados de nossas simulações para os quatro índices de ações considerados (FTSE-UK, FTSE-MIB, DAX, S & P 500). Em cada figura, de cima para baixo, plotamos: a série temporal do mercado em função do tempo; a série de "retornos" correspondente, determinada como a proporção; a volatilidade dos retornos, ou seja, a variância da série anterior, calculada dentro de cada janela para aumentar os valores do tamanho da janela de negociação (igual a, da esquerda para a direita,, e respectivamente); a porcentagem média de ganhos para as cinco estratégias de negociação consideradas, calculadas para os mesmos quatro tipos de janelas (a média é realizada sobre todas as janelas em cada configuração, considerando diferentes execuções de simulação dentro de cada janela); os desvios padrão correspondentes para as vitórias das cinco estratégias.
Figura 5. Resultados da série de índices FTSE-UK, divididos em um número crescente de janelas de negociação de tamanho igual (3,9,18,30), simulando diferentes escalas de tempo.
De cima para baixo, relatamos as séries temporais do índice, as séries temporais dos retornos correspondentes, a volatilidade, as porcentagens de ganhos para as cinco estratégias em todas as janelas e os correspondentes desvios-padrão. As duas últimas quantidades são calculadas sobre 10 execuções diferentes (eventos) dentro de cada janela.
De cima para baixo, relatamos as séries temporais do índice, as séries temporais dos retornos correspondentes, a volatilidade, as porcentagens de ganhos para as cinco estratégias em todas as janelas e os correspondentes desvios-padrão. As duas últimas quantidades são calculadas sobre 10 execuções diferentes (eventos) dentro de cada janela.
De cima para baixo, relatamos as séries temporais do índice, as séries temporais dos retornos correspondentes, a volatilidade, as porcentagens de ganhos para as cinco estratégias em todas as janelas e os correspondentes desvios-padrão. As duas últimas quantidades são calculadas sobre 10 execuções diferentes (eventos) dentro de cada janela.
De cima para baixo, relatamos as séries temporais do índice, as séries temporais dos retornos correspondentes, a volatilidade, as porcentagens de ganhos para as cinco estratégias em todas as janelas e os correspondentes desvios-padrão. As duas últimas quantidades são calculadas sobre 10 execuções diferentes (eventos) dentro de cada janela.
Observando os dois últimos painéis em cada figura, dois resultados principais são evidentes:
As percentagens médias de ganhos para as cinco estratégias são sempre comparáveis ​​e oscilam, com pequenas diferenças aleatórias que dependem do índice financeiro considerado. O desempenho de vitórias para todas as estratégias pode parecer paradoxal, mas depende do procedimento de cálculo da média em todas as janelas ao longo de cada série temporal. Na Fig. 9 mostramos, para comparação, o comportamento das várias estratégias para os quatro índices financeiros considerados e para o caso (a pontuação em cada janela é calculada sobre diferentes eventos): como se pode ver, dentro de uma dada janela de negociação cada Uma estratégia única pode executar aleatoriamente muito melhor ou pior do que, mas, em média, o desempenho global das diferentes estratégias é muito semelhante. Além disso, referindo novamente as Figs. 5–8, vale a pena notar que a estratégia com a maior porcentagem média de ganhos (para a maioria das configurações do Windows) muda de um índice para outro: para o FTSE-UK, a estratégia do MOM parece ter uma pequena vantagem; para o FTSE-MIB, a UPD parece ser a melhor; para DAX, o RSI e para o S & amp; P 500, o UPD funciona um pouco melhor que os outros. Em qualquer caso, a vantagem de uma estratégia parece mera coincidência. O segundo resultado importante é que as flutuações da estratégia aleatória são sempre menores que as das outras estratégias (como também é visível na Fig. 9 para o caso): isso significa que a estratégia aleatória é menos arriscada do que a negociação padrão considerada. estratégias, enquanto o desempenho médio é quase idêntico. Isso implica que, ao tentar otimizar o desempenho, os operadores padrão são enganados pelo fenômeno de “ilusão de controle” [11], [12], reforçado por uma seqüência de vitórias em um determinado período de tempo. No entanto, a primeira grande perda pode afastá-los do mercado. Por outro lado, a eficácia das estratégias aleatórias pode estar provavelmente relacionada ao caráter turbulento e errático dos mercados financeiros: é verdade que um operador aleatório provavelmente ganhará menos em um determinado período de tempo, mas é provável que ele também perder menos. Portanto, sua estratégia implica menos risco, já que ele tem uma probabilidade menor de ser expulso do jogo. Expandir a Figura 9. A porcentagem de vitórias das diferentes estratégias dentro de cada janela de tempo - em média, em 10 eventos diferentes - é relatada, no caso N w = 30, para os quatro mercados considerados.
Como é visível, os desempenhos das estratégias podem ser muito diferentes uns dos outros dentro de uma única janela de tempo, mas, ao longo de toda a série, essas diferenças tendem a desaparecer e a pessoa recupera o resultado comum mostrado nas figuras anteriores.
Conclusões e Implicações de Política.
Neste artigo, exploramos o papel das estratégias aleatórias nos sistemas financeiros do ponto de vista microeconômico. Em particular, simulamos o desempenho de cinco estratégias de negociação, incluindo uma completamente aleatória, aplicada a quatro índices de mercados financeiros muito populares, a fim de comparar sua capacidade preditiva. Nosso principal resultado, independente do mercado considerado, é que as estratégias padrão de negociação e seus algoritmos, baseados no histórico da série temporal, embora tenham ocasionalmente a chance de serem bem-sucedidos em pequenas janelas temporais, em grande escala temporal. on average not better than the purely random strategy, which, on the other hand, is also much less volatile. In this respect, for the individual trader, a purely random strategy represents a costless alternative to expensive professional financial consulting, being at the same time also much less risky, if compared to the other trading strategies.
This result, obtained at a micro-level, could have many implications for real markets also at the macro-level, where other important phenomena, like herding, asymmetric information, rational bubbles occur. In fact, one might expect that a widespread adoption of a random approach for financial transactions would result in a more stable market with lower volatility. In this connection, random strategies could play the role of reducing herding behavior over the whole market since, if agents knew that financial transactions do not necessarily carry an information role, bandwagon effects could probably fade. On the other hand, as recently suggested by one of us [59], if the policy-maker (Central Banks) intervened by randomly buying and selling financial assets, two results could be simultaneously obtained. From an individual point of view, agents would suffer less for asymmetric or insider information, due to the consciousness of a “fog of uncertainty” created by the random investments. From a systemic point of view, again the herding behavior would be consequently reduced and eventual bubbles would burst when they are still small and are less dangerous; thus, the entire financial system would be less prone to the speculative behavior of credible “guru” traders, as explained also in [60]. Of course, this has to be explored in detail as well as the feedback effect of a global reaction of the market to the application of these actions. This topic is however beyond the goal of the present paper and it will be investigated in a future work.
Agradecimentos
We thank H. Trummer for DAX historical series and the other institutions for the respective data sets.
Author Contributions.
Conceived and designed the experiments: AEB AP AR DH. Performed the experiments: AEB AP AR. Analyzed the data: AEB AP AR. Wrote the paper: AEB AP AR DH.
Referências.
1. Kirkpatrick S, Gelatt CD, Vecchi MP (1983) Optimization by Simulated Annealing. Science 220: 671–680. 2. Benzi R, Parisi G, Sutera A, Vulpiani A (1982) Stochastic resonance in climatic change. Tellus 34: 10–16. 3. Gammaitoni L, Hanggi P, Jung P, Marchesoni F (1989) Stochastic Resonance. Reviews of Modern Physics, 70 (1): 223–287. 4. Mantegna R, Spagnolo B (1996) Noise enhanced stability in an unstable system. Phys. Rev. Lett. 76: 563–566. 5. Caruso F, Huelga SF, Plenio MB (2010) Noise-Enhanced Classical and Quantum Capacities in Communication Networks. Phys. Rev. Lett. 105(198): 190501. 6. Van den Broeck C, Parrondo JMR, Toral R (1994) Noise-Induced Non-equilibrium Phase Transition. Physical Review Letters 73: 3395. 7. Peter LJ, Hull R (1969) The Peter Principle: Why Things Always Go Wrong. New York: William Morrow and Company. 8. Pluchino A, Rapisarda A, Garofalo C (2010) The Peter Principle revisited: a computational study. Physica A 389: 467–472 Available: oldweb. ct. infn. it/cactus/peter-links. html. 9. Pluchino A, Rapisarda A, Garofalo C (2011) Efficient promotion strategies in hierarchical organizations. Physica A 390: 3496–3511. 10. Pluchino A, Rapisarda A, Garofalo C, Spagano S, Caserta M (2011) Accidental Politicians: How Randomly Selected Legislators Can improve Parliament Efficiency. Physica A, 2011 390: 3944–3954 Available: pluchino. it/Parliament. html. 11. Satinover JB, Sornette D (2007) ‘Illusion of control’ in Time-Horizon Minority and Parrondo Games. EUR. Phys. J. B 60: 369–384. 12. Satinover JB, Sornette D (2009) Illusory versus Genuine Control in Agent-Based Games. EUR. Phys. J. B. 67: 357–367. 13. Gilles D, Sornette D, Woehrmann P (2009) Look-Ahead Benchmark Bias in Portfolio Performance Evaluation. Journal of Portfolio Management 36(1): 121–130. 14. Farmer JD, Patelli P, Zovko II (2005) The predictive power of zero intelligence in financial markets, PNAS. 102: 2254–2259. 15. Taleb NN (2005) Fooled by Randomness: The Hidden Role of Chance in the Markets and in Life. New York: Random House. 16. Taleb NN (2007) The Black Swan: The Impact of the Highly Improbable. New York: Random House. 17. Biondo AE, Pluchino A, Rapisarda A (2013) The Beneficial Role of Random Strategies in Social and Financial Systems. Journal of Statistical Physics 151: 607–622 doi: 10.1007/s10955-013-0691-2. 18. Wiseman R (2007) Quirkology. London: Macmillan. 19. Porter GE (2004) The long term value of analysts advice in the Wall Street Journals investment dartboard contest. J. Appl. Finance 14: 720. 20. Simon HA (1957) Models of Man. New York: Wiley. 21. Friedman M (1956) A Theory of the Consumption Function. Princeton, NJ: Princeton University Press. 22. Friedman M (1968) The Role of Monetary Policy. The American Economic Review 58(1): 1–17. 23. Phelps E (1967) Phillips Curve Expectations of Ination, and Output Unemployment Over Time. Economica 34(135): 254–281. 24. Cagan P (1956) The Monetary Dynamics of Hyperination. In Friedman M, editor. Studies in the Quantity Theory of Money. Chicago: University of Chicago Press. 25. Arrow KJ, Nerlove M (1958) A Note on Expectations and Stability. Econometrica 26: 297–305. 26. Muth JF (1961) Rational Expectation and the Theory of Price Movements. Econometrica 29: 315–335. 27. Lucas RE (1972) Expectations and the Neutrality of Money. Journal of Economic Theory 4: 103–124. 28. Sargent TJ, Wallace N (1975) Rational Expectations, the Optimal Monetary Instrument, and the Optimal Money Supply Rule. Journal of Political Economy 83(2): 241–254. 29. Fama EF (1970) Efficient Capital Markets: a Review of Theory and Empirical Work. Journal of Finance 25: 383–423. 30. Jensen M (1978) Some anomalous evidence regarding market efficiency. Journal of Financial Economics 6: 95–101. 31. Malkiel B (1992) Efficient market hypothesis. New Palgrave Dictionary of Money and Finance. London: Macmillan. 32. Keynes JM (1936) The General Theory of Unemployment, Interest, and Money. London: Macmillan. 157 p. 33. Cutler DM, Poterba JM, Summers LH (1989) What moves stock prices? Journal of Portfolio Management 15(3): 4–12. 34. Engle R (1982) Autoregressive conditional heteroscedasticity with estimates of the variance of UK ination, Econometrica. 50: 987–1008. 35. Mandelbrot BB (1963) The variation of certain speculative prices. Journal of Business 36: 394–419. 36. Mandelbrot BB (1997) Fractals and Scaling in Finance. New York: Springer. 37. Lux T (1996) The stable Paretian hypothesis and the frequency of large returns: an examination of major German stocks. Applied Financial Economics 6: 463–475. 38. Mantegna RN, Stanley HE (1996) Introduction to Econophysics: Correlations and Complexity in Finance. Cambridge: Cambridge University Press. 39. Campbell JY, Shiller R (1998) The Dividend-Price Ratio and Expectations of Future Dividends and Discount Factors. Review of Financial Studies 1: 195–227. 40. Brock WA (1993) Pathways to Randomness in the Economy: Emergent Non-Linearity and Chaos in Economics and Finance. Estudios Económicos 8: 3–55. 41. Brock WA (1997) Asset Prices Behavior in Complex Environments. In: Arthur WB, Durlauf SN, Lane DA, editors. The Economy as an Evolving Complex System II. Reading, MA: Addison-Wesley. 385–423 p. 42. Brock WA, Hommes CH (1997) A Rational Route to Randomness. Econometrica 65: 1059–1095. 43. Chiarella C (1992) The Dinamics of Speculative Behavior. Annals of Operations Research 37: 101–123. 44. Chiarella C, He T (2002) Heterogeneous Beliefs, Risk and Learning in a Simple Asset Pricing Model. Computational Economics - Special issue: Evolutionary processes in economics 19(1): 95–132. 45. DeGrauwe P, DeWachter H, Embrechts M, (1993) Exchange Rate Theory. Chaotic Models of Foreign Exchange Markets. Blackwell. 46. Frankel JA, Froot KA (1988) Chartists, Fundamentalists and the Demand for Dollars. Greek Economic Review 10: 49–102. 47. Lux T (1995) Herd Behavior, Bubbles and Crashes. The Economic Journal 105: 881–896. 48. Wang J (1994) A Model of Competitive Stock Trading Volume. Journal of Political Economy 102: 127–168. 49. Zeeman EC (1974) The Unstable Behavior of Stock Exchange. Journal of Mathematical Economics 1: 39–49. 50. Black F, Scholes M (1973) The Valuation of Options and Corporate Liabilities, Journal of Political Economy. 81: 637–654. 51. Merton RC (1973) Theory of Rational Option Pricing. Bell Journal of Economics and Management Science 4: 141–183. 52. Cox JC, Ingersoll JE, Ross SA (1985) A Theory of the Term Structure of Interest Rates, Econometrica. 53: 385–408. 53. Hull JC, White A (1987) The Pricing of Options on Assets with Stochastic Volatilities. Journal of Finance 42: 281–300. 54. Gabaix X, Gopikrishnan P, Plerou V, Stanley HE (2003) A theory of power-law distributions in financial market uctuations. Nature 423: 267–72. 55. Livan G, Inoue J, Scalas E (2012) On the non-stationarity of financial time series: impact on optimal portfolio selection. Journal of Statistical Mechanics. doi:10.1088/1742-5468/2012/07/P07025. 56. Carbone A, Castelli G, Stanley HE (2004) Time dependent Hurst exponent in financial time series. Physica A 344: 267–271. 57. Murphy JJ (1999) Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. Instituto de Finanças de Nova York. 58. Krawiecki A, Holyst JA, Helbing D (2002) Volatility clustering and scaling for financial time series due to attractor bubbling. Physical Review Letters 89, 158701. 59. Helbing D, Christen M (2011) Physics for Financial Markets. Available: tinyurl/d3j5bgs. 60. Tedeschi G, Iori G, Gallegati M (2012) Herding effects in order driven markets: The rise and fall of gurus. Journal of Economic Behavior & Organization 81: 82–96 doi:10.1016/j. jebo.2011.09.006.
PLOS is a nonprofit 501(c)(3) corporation, #C2354500, and is based in San Francisco, California, US.

Artigos sobre negociação de opções.
Opções e Futuros FAQ:
Contratos futuros e contratos a termo são instrumentos derivativos muito semelhantes, mas diferem em alguns aspectos. [Clique para continuar. ]
Conselho de Opção de Compra de Ações:
As opções de day trading podem ser uma estratégia bem-sucedida e lucrativa, mas há algumas coisas que você precisa saber antes de começar a usar as opções para day trading. [Clique para continuar. ]
Conceitos Avançados:
Aprenda sobre a taxa de venda, a maneira como ela é derivada e como ela pode ser usada como um indicador contrário. [Clique para continuar. ]
Conceitos Avançados:
A paridade de put-call é um princípio importante em precificação de opções identificado pela primeira vez por Hans Stoll em seu artigo, A relação entre os preços de compra e venda, em 1969. Afirma que o prêmio de uma opção de compra implica um certo preço justo para a opção de venda correspondente tendo o mesmo preço de exercício e data de vencimento, e vice-versa. [Clique para continuar. ]
Conceitos Avançados:
Na negociação de opções, você pode notar o uso de certos alfabetos gregos como delta ou gama ao descrever os riscos associados a várias posições. Eles são conhecidos como "os gregos". [Clique para continuar. ]
Estratégia de Opções:
Como alternativa à escrita de chamadas cobertas, pode-se inserir um spread de call bull para um potencial de lucro semelhante, mas com um requisito de capital significativamente menor. Em vez de manter o estoque subjacente na estratégia de compra coberta, a alternativa. [Clique para continuar. ]
Investimento em Ações 101:
Como o valor das opções de ações depende do preço da ação subjacente, é útil calcular o valor justo da ação usando uma técnica conhecida como fluxo de caixa descontado. [Clique para continuar. ]
Estratégia de Opções:
Se você está investindo o estilo de Peter Lynch, tentando prever o próximo multi-bagger, então você gostaria de saber mais sobre o LEAPS® e porque eu considero-o uma ótima opção para investir no próximo Microsoft®. [Clique para continuar. ]
Negociação de Opções:
Os dividendos em dinheiro emitidos pelas ações têm grande impacto sobre os preços das opções. Isso ocorre porque o preço da ação subjacente deve cair pelo valor do dividendo na data ex-dividendo. [Clique para continuar. ]
Estratégia de Opções:
Algumas ações pagam dividendos generosos a cada trimestre. Você se qualifica para o dividendo se você estiver segurando as ações antes da data ex-dividendo. [Clique para continuar. ]
Estratégia de Opções:
Para obter maiores retornos no mercado de ações, além de fazer mais trabalhos de casa sobre as empresas que você deseja comprar, muitas vezes é necessário assumir um risco maior. Uma maneira mais comum de fazer isso é comprar ações na margem. [Clique para continuar. ]
Estratégia de Opções:
Compra straddles é uma ótima maneira de jogar ganhos. Muitas vezes, a diferença no preço das ações subiu ou desceu após o relatório de ganhos trimestrais, mas muitas vezes a direção do movimento pode ser imprevisível. Por exemplo, uma venda pode ocorrer mesmo que o relatório de lucros seja bom se os investidores esperassem grandes resultados. [Clique para continuar. ]
Estratégia de Opções:
Se você está muito otimista sobre uma determinada ação a longo prazo e está procurando comprar a ação, mas sente que ela está ligeiramente supervalorizada no momento, então você pode querer considerar escrever opções de venda sobre a ação como um meio de adquiri-la em um desconto. [Clique para continuar. ]
Você pode gostar.
Continue lendo.
Comprando Straddles em ganhos.
Compra straddles é uma ótima maneira de jogar ganhos. Muitas vezes, a diferença no preço das ações subiu ou desceu após o relatório de ganhos trimestrais, mas muitas vezes a direção do movimento pode ser imprevisível. Por exemplo, uma venda pode ocorrer mesmo que o relatório de lucros seja bom se os investidores esperassem grandes resultados. [Leia. ]
Escrever coloca para comprar ações.
Se você está muito otimista sobre uma determinada ação a longo prazo e está procurando comprar a ação, mas sente que ela está ligeiramente supervalorizada no momento, então você pode querer considerar escrever opções de venda sobre a ação como um meio de adquiri-la em um desconto. [Leia. ]
O que são opções binárias e como negociá-las?
Também conhecidas como opções digitais, as opções binárias pertencem a uma classe especial de opções exóticas em que o operador de opções especula apenas na direção do subjacente em um período relativamente curto de tempo. [Leia. ]
Investir em estoques de crescimento usando as opções LEAPS®.
Se você está investindo o estilo de Peter Lynch, tentando prever o próximo multi-bagger, então você gostaria de saber mais sobre o LEAPS® e por que eu os considero uma ótima opção para investir no próximo Microsoft®. [Leia. ]
Efeito dos dividendos no preço das opções.
Os dividendos em dinheiro emitidos pelas ações têm grande impacto sobre os preços das opções. Isso ocorre porque o preço da ação subjacente deve cair pelo valor do dividendo na data ex-dividendo. [Leia. ]
Spread Call Call: uma alternativa para a chamada coberta.
Como alternativa à escrita de chamadas cobertas, pode-se inserir um spread de call bull para um potencial de lucro semelhante, mas com um requisito de capital significativamente menor. Em vez de manter o estoque subjacente na estratégia de compra coberta, a alternativa. [Leia. ]
Captura de dividendos usando chamadas cobertas.
Algumas ações pagam dividendos generosos a cada trimestre. Você se qualifica para o dividendo se você estiver segurando as ações antes da data ex-dividendo. [Leia. ]
Alavancar usando chamadas, não chamadas de margem.
Para obter maiores retornos no mercado de ações, além de fazer mais trabalhos de casa sobre as empresas que você deseja comprar, muitas vezes é necessário assumir um risco maior. Uma maneira mais comum de fazer isso é comprar ações na margem. [Leia. ]
Dia de Negociação usando Opções.
As opções de day trading podem ser uma estratégia bem-sucedida e lucrativa, mas há algumas coisas que você precisa saber antes de começar a usar as opções para day trading. [Leia. ]
Qual é a taxa de venda e como usá-la?
Aprenda sobre a taxa de venda, a maneira como ela é derivada e como ela pode ser usada como um indicador contrário. [Leia. ]
Entendendo a Paridade de Put-Call.
A paridade de put-call é um princípio importante em precificação de opções identificado pela primeira vez por Hans Stoll em seu artigo, A relação entre os preços de compra e venda, em 1969. Afirma que o prêmio de uma opção de compra implica um certo preço justo para a opção de venda correspondente tendo o mesmo preço de exercício e data de vencimento, e vice-versa. [Leia. ]
Compreender os gregos.
Na negociação de opções, você pode notar o uso de certos alfabetos gregos como delta ou gama ao descrever os riscos associados a várias posições. Eles são conhecidos como "os gregos". [Leia. ]
Avaliação de estoque comum usando análise de fluxo de caixa descontado.
Como o valor das opções de ações depende do preço da ação subjacente, é útil calcular o valor justo da ação usando uma técnica conhecida como fluxo de caixa descontado. [Leia. ]
Siga-nos no Facebook para obter estratégias diárias & amp; Dicas!
Estratégias de Opções.
Opções Básicas.
Opções do Localizador de Estratégias.
Aviso de Risco: Negociações de ações, futuros e opções binárias discutidas neste site podem ser consideradas Operações de Operações de Alto Risco e sua execução pode ser muito arriscada e resultar em perdas significativas ou mesmo em uma perda total de todos os fundos da sua conta. Você não deve arriscar mais do que você pode perder. Antes de decidir negociar, você precisa garantir que entende os riscos envolvidos, levando em consideração seus objetivos de investimento e nível de experiência. As informações contidas neste site são fornecidas apenas para fins informativos e educacionais e não se destinam a serviços de recomendação de negociação. TheOptionsGuide não será responsável por quaisquer erros, omissões ou atrasos no conteúdo, ou por quaisquer ações tomadas com base nele.
Os produtos financeiros oferecidos pela empresa carregam um alto nível de risco e podem resultar na perda de todos os seus fundos. Você nunca deve investir dinheiro que você não pode perder.

Academic Finance Articles for Traders and Investors on the Predictability of Stock Returns.
Market Statistics and Technical Analysis: The Role of Volume.
Lawrence Bloom, David Easley, Maureen O'Hara.
Michael W. Brandt and Qiang Kang.
David P. Brown, Robert H. Jennings.
Louis K. C. Chan, Narasimhan Jegadeesh, Josef Lakonishok.
Peter Christoffersen and Francis X. Diebold.
Jennifer Conrad and Gautam Kaul.
Josha D. Coval, David A. Hirshleifer, and Tyler G. Shumway.
Harvard Negotiation, Organizations and Markets Research Paper No. 02-45.
Robert R. Grauer.
Working Paper, Simon Fraser University - (October 2000).
Mark Grinblatt, Sheridan Titman, Russ Wermers.
Roy D. Henriksson and Robert C. Merton.
Narasimhan Jegadeesh, Sheridan Titman.
Peter J. Knex, Mark J. Ready.
Robert C. Merton.
The Capital Asset Pricing Model (CAPM) and Arbitrage Pricing Theory (APT)
An Empirical Investigation of the Arbitrage Pricing Theory.
Richard Roll and Stephen A. Ross.
Journal of Finance . Volume 35, Issue 5 (December 1980), 1073-1103.
William F. Sharpe.
On Market Efficiency - Behavioral Finance.
Yes, Discounts on Closed-End Funds Are a Sentiment Index.
Navin Chopra, Charles M. C. Lee, Andrei Shleifer, Richard H. Thaler.
Rafael La Porta, Josef Lakonishok, Andrei Shleifer, Robert Vishny.
Charles M. C. Lee, Andrei Shleifer, and Richard H. Thaler.
Josef Loakonishok, Andrei Shleifer, and Robert W. Vishny.
Journal of Finance . Volume 49, Issue 5 (December 1994), 1541-1578.

Journal of Stock & Negociação Forex.
Open Access Journals gaining more Readers and Citations.
This Readership is 10 times more when compared to other Subscription Journals (Source: Google Analytics)
Publication Policies and Ethics.
Links Úteis.
Recommended Journals.
Compartilhe esta página.
Editorial Board.
Michigan State University.
University of Paris 8.
La Trobe University.
Submit Manuscript.
Índice.
About the Journal.
The stock of a business entity represents the original capital paid into or invested in the business by its founders.
Journal of Stock & Forex Trading being an academic journal publishes original papers which are of significant reference value in the arena of stock & negociação forex. The scope of the journal encompasses Mergers, acquisitions & joint ventures, Financial markets, Antitrust & auctions, Finance of commodity markets, Applied econometrics, Resource economics, Regional & labor economics, Financial risk management, Asset pricing & commodity price analysis, Forecasting of financial market volatility, Macroeconomic indicators, Monte Carlo simulation, Portfolio management, Mathematical modeling & data analysis, Economic theory & public policy, Market microstructure, Non-linear time series, Financial crisis, Corporate finance & investments, Trading strategy, Technical trading, Health economics, Real estate finance, Carbon trading mechanism, Computational economics, Translation of business & legal documents, International economics, Money & banking, Advanced microeconomics, Productivity & efficiency, Sovereign wealth funds, Economic development & economic growth, Econophysics, Demand analysis in networked markets, Game theory, Empirical finance modeling.
Trading forex.
The foreign exchange market is the "place" where currencies are traded. As moedas são importantes para a maioria das pessoas em todo o mundo, quer elas percebam ou não, porque as moedas precisam ser trocadas para conduzir negócios e comércio exterior.
Marketing Performance.
The Marketing Performance is responsible for maintaining effective and organized trading operations on the Stock Exchange Markets.
Related Journals of Marketing.
Investimento.
Investment is creating or spending the assests with the expectation of capital appreciaton, profits and earnings.
Related Journals of Investment.
Stock Exchange Business Studies.
In stock exchange business studies organized and regulated financial markets where securities like bonds, notes, shares are bought and sold at prices governed by the forces of demand and supply. Stock exchanges basically serve as where primary markets like corporations can raise capital by channeling savings of the investors into productive ventures and secondary markets where investors can sell their securities to other investors for cash, thus reducing the risk of investment and maintaining liquidity in the system.
Related Journals of Stock Exchange Business Studies.
These are the stores of value and traded between nations of foreign exchange markets those determining the relative values of different currencies.
Related Journals of Currency.
Feira comercial.
Many politicians and NGOs argue that free trade is not enough; it should also be fair. On the face of it, fairness is self-evidently a good thing. However, fairness, in trade as in beauty, lies in the eye of the beholder. There is nothing unfair about that; indeed, it helps to make trade mutually beneficial.
Related journals of Fair Trade.
International Journal of Swarm Intelligence and Evolutionary Computation, Business and Economics Journal, Journal of Fair Trade Studies, Journal of African Trade, International Journal of Trade, Economics and Finance.
Inflation is the rate at which the general level of prices for goods and services is rising and, consequently, the purchasing power of currency is falling.
Related Journals of Speculation.
International Journal of Economics & Management Sciences, Entrepreneurship & Organization Management, Tourism Research & Hospitality, Journal of Speculative Philosophy, Speculations, Journal of Economic Theory.
Bullion Market.
Bllion market is a forum through which both the buyers and sellers trade pure gold and silver and this bullion market has high turnover rate and transactions are conducted electronically or by phone.
Related Journals of Bullion Market.
New Trade Theory.
New Trade Theory was growing fastest between industrial countries with similar economies and endowments of the factors of production. In many new industries, there was no clear comparative advantage for any country. Patterns of production and trade often seemed matters of chance.
Related journals of New Trade Theory.
Resource Management.
Resource Management is the effective and efficient deployment of an organization resources when they are needed and such resources include financial, human skills and production resources.
Related Journals of Resource Management.
Capital Marketing.
Capital Marketing is the financial market for selling and buying of long debt or equity backed securities.
Related Journals of Capital Marketing.
Deflation is a persistent fall in the general price level of goods and services. It is not to be confused with a decline in prices in one economic sector or with a fall in the inflation rate. It is also known as DISINFLATION.
Related journals of Deflation.
Quarterly Journal of Austrian Economics, Journal of Accounting & Marketing, International Journal of Labour Research.
International Relations.
International Relations is a science that studies relationship among countries and it is an academic and public policy field and it analyses and formulate the foreign policy of a given state.
Related Journals of International Relations.
Economic Policy.
Economic Policy is intended to influence or control the behaviour of the economy and it covers taxation, government budgets.
Related Journals of Economic Policy.
Finance of Commodity Markets.
Finance of Commodity Market is the market place where buying, trading and selling primary products and there will be be hard and soft commodities.
Related Journals of Finance of Commodity Markets.
Fundos negociados em bolsa.
Exchange Traded Funds is a marketable security that tracks an index, a commodity, bonds and index fund and this trades like a common stock on stock exchange.
Related Journals of Exchange Traded Funds.
Entrepreneurial Management.
The Entrepreneurial Management unit strives to raise the level of academic work in the field of entrepreneurship, in methodological rigor, conceptual depth, and managerial applicability.
Related Journals of Entrepreneurial Management.
Financial valuation.
Finance valuation is the process of estimating what something is worth. Items that are usually valued are a financial asset or liability.
Related Journals of Financial valuation.
Journal Highlights.
Recently Published Articles.
Vishal Dagar, Usha Tuteja, Nandini Pandey and Archana.

Journal of Investment Strategies.
First Published: December 2012.
The Journal of Investment Strategies is dedicated to the rigorous treatment of modern investment strategies; going well beyond the “classical” approaches in both its subject instruments and methodologies. In providing a balanced representation of academic, buy-side and sell-side research, the Journal promotes the cross-pollination of ideas amongst researchers and practitioners, achieving a unique nexus of academia and industry on one hand, and theoretical and applied models on the other.
The Journal contains in-depth research papers as well as discussion articles on technical and market subjects, and aims to equip the global investment community with practical and cutting-edge research in order to understand and implement modern investment strategies.
With a focus on important contemporary investment strategies, techniques and management, the journal considers papers on the following areas:
Fundamental Strategies : including fundamental macro, fundamental equity or credit selection Relative Value Strategies : estimation of and investing in the relative valuation of related securities, both vanilla and derivatives Tactical Strategies : strategies based on forecasting of, and investing in, patterns of market behavior, such as momentum or mean reversion, and tactical asset allocation strategies. Event-Driven Strategies: strategies based on the forecast of likelihood of market-moving events or market reactions to such events Algorithmic Trading Strategies : models of market microstructure, liquidity and market impact and algorithmic trade execution and market-making strategies Principal Investment Strategies : investment strategies for illiquid securities and principal ownership or funding of real assets and businesses Portfolio Management and Asset Allocation : models for portfolio optimization, risk control, performance attribution and asset allocation Econometric and Statistical Methods : with applications to investment strategies.
The Journal of Investment Strategies has been selected for coverage in the Clarivate Analytics Emerging Sources Citation Index.
Tail protection for long investors: trend convexity at work.
In this paper, the authors show that single-asset trend strategies have built-in convexity, provided their returns are aggregated over the right time scale, ie, that of the trend filter.
Speed and dimensions of trading.
In this paper, two new portfolio statistics are introduced: ENT, which measures trading speed, and ENTD, which measures trading diversity. Together with vectors representing major trading directions, these provide new insight into the intrinsic…
Efficient trading in taxable portfolios.
This paper determines life-cycle trading strategies for portfolios subject to the US tax system.
Portfolio concentration and equity market contagion: evidence on the “flight to familiarity” across indexing methods.
This paper sheds light on the entanglement of index weighting schemes.
Leverage and uncertainty.
By extending the Kelly criterion to a simple probabilistic model with an additional tail risk outcome associated with uncertainty, this paper looks beyond risk and evaluates how uncertainty constrains optimal leverage.
Lifecycle investing with the profitable dividend yield strategy: simulations and nonparametric analysis.
Using simulations, the author shows that life-cycle investing implemented on highly profitable and high dividend yield stocks (the profitable dividend yield strategy) provides a compelling solution to the suboptimality problem by leveraging on the…
Enhancing enterprise value by trading options.
This paper considers the problem of enhancing an investment activity by regularly adding an option trade to the portfolio mix and presented results for the single underlier of the S&P 500 index, with the underlying activity being either long the index or…
An uncertainty quantification framework for the achievability of backtesting results of trading strategies.
In this paper, the authors propose a framework for implementing and backtesting trading strategies.
Statistical testing of DeMark technical indicators on commodity futures.
This paper examines the performance of three DeMark indicators over twenty-one commodity futures markets and ten years of daily data.
Correctness of backtest engines.
In this paper, the authors provide tools to test the correctness of backtest engines for setups with at most one entry and one exit.
Black–Litterman, exotic beta and varying efficient portfolios: an integrated approach.
This paper brings Black–Litterman optimization, exotic betas and varying starting portfolios together into one complete, symbiotic framework.
Agnostic risk parity: taming known and unknown unknowns.
This paper offers a new perspective on portfolio allocation, which avoids any explicit optimization and instead takes the point of view of symmetry.
Interconnectedness risk and active portfolio management.
This paper studies centrality (interconnectedness risk) measures and their added value in an active portfolio optimization framework.
Risk constraints for portfolio optimization with fixed-fee transaction cost.
In this paper the authors investigate how fixed-fee transaction costs affect portfolio rebalancing.
Investing across periods with Mahalanobis distances.
The authors propose an analytical framework to measure investment opportunities and allocate risk across time based on the Mahalanobis distance.
Statistical risk models.
In this paper, the authors give complete algorithms and source code for constructing statistical risk models.
On optimizing risk exposures with trend-following strategies in currency overlay portfolios.
This paper proposes using an optimization mechanism in the currency overlay portfolio construction process.
Optimal closing-price strategy: peculiarities and practicalities.
The authors of this paper derive an optimal trading strategy that benchmarks the closing price in a mean–variance optimization framework.
Insights into robust optimization: decomposing into mean–variance and risk-based portfolios.
The authors of this paper aim to demystify portfolios selected by robust optimization by looking at limiting portfolios in the cases of both large and small uncertainty in mean returns.
Equal risk allocation with carry, value and momentum.
The authors of this paper analyze an equal-weight portfolio of global cross-asset-class risk factor exposures.
Paginação.
Browse journals.
© Infopro Risco Digital (IP) Limited, publicado pela Infopro Digital Risk Limited, Haymarket House, 28-29 Haymarket, Londres SW1Y 4RX, são empresas registradas na Inglaterra e no País de Gales com números de registro de empresa 9232733 & amp; 9232652.
Editora digital do ano.
Você precisa entrar para usar este recurso. If you don’t have a Risk account, please register for a trial.
Você está atualmente no acesso corporativo.
Para usar este recurso, você precisará de uma conta individual. Se você já tem um, faça o login.
Alternativamente, você pode solicitar uma conta individual aqui:

Usando indicadores de negociação efetivamente.
Muitos investidores e operadores ativos usam indicadores de negociação técnica para ajudar a identificar pontos de entrada e saída de alta probabilidade. Centenas de indicadores estão disponíveis na maioria das plataformas de negociação, portanto, é fácil usar muitos indicadores ou usá-los de forma ineficiente. Este artigo explicará como selecionar vários indicadores, como evitar a sobrecarga de informações e como otimizar os indicadores para aproveitar melhor essas ferramentas de análise técnica.
Usando vários indicadores.
Os indicadores técnicos são cálculos matemáticos baseados no preço passado e atual do instrumento de negociação e / ou atividade de volume. Os analistas técnicos usam essas informações para avaliar o desempenho histórico e prever preços futuros. Os indicadores não fornecem especificamente nenhum sinal de compra e venda; um comerciante deve interpretar os sinais para determinar pontos de entrada e saída de comércio que estejam em conformidade com seu próprio estilo de negociação exclusivo. Vários tipos diferentes de indicadores existem, incluindo aqueles que interpretam tendência, momentum, volatilidade e volume. (Para leitura relacionada, veja The Pioneers Of Technical Analysis.)
"Multicolinearidade" é um termo estatístico que se refere à contagem múltipla da mesma informação. Esse é um problema comum na análise técnica que ocorre quando os mesmos tipos de indicadores são aplicados a um gráfico. Os resultados criam sinais redundantes que podem ser enganosos. Alguns traders aplicam intencionalmente vários indicadores do mesmo tipo, na esperança de encontrar confirmação para um movimento de preço esperado. Na realidade, no entanto, a multicolinearidade pode fazer com que outras variáveis ​​pareçam menos importantes e possam dificultar a avaliação precisa das condições do mercado.
Para evitar os problemas associados à multicolinearidade, os comerciantes devem selecionar indicadores que trabalhem bem ou complementem um ao outro, sem fornecer resultados redundantes. Isso pode ser alcançado aplicando diferentes tipos de indicadores em um gráfico. Um comerciante poderia usar um momento e um indicador de tendência; por exemplo, um oscilador estocástico (um indicador de momento) e um índice direcional médio (ADX; um indicador de tendência). A Figura 1 mostra um gráfico com ambos os indicadores aplicados. Observe como os indicadores fornecem informações diferentes. Como cada um fornece uma interpretação diferente das condições de mercado, pode-se usar um para confirmar o outro. (Para uma leitura relacionada sobre o oscilador estocástico, consulte Estocástico: um indicador preciso de compra e venda.)
Mantenha os gráficos de negociação limpos.
Como a plataforma de gráficos de um comerciante é o seu portal para os mercados, é importante que os gráficos melhorem, e não dificultem, a análise de mercado de um comerciante. A fácil leitura de gráficos e espaços de trabalho (a tela inteira, incluindo gráficos, feeds de notícias, janelas de entrada de pedidos, etc.) pode melhorar a percepção situacional do profissional, permitindo que o trader decifre rapidamente e responda às atividades do mercado. A maioria das plataformas de negociação permite um grande grau de personalização em relação à cor e ao design do gráfico, desde a cor de fundo e o estilo e cor de uma média móvel até o tamanho, cor e fonte das palavras que aparecem no gráfico. A criação de gráficos e espaços de trabalho limpos e visualmente atraentes ajuda os comerciantes a usar os indicadores de forma eficaz.
Muitos dos operadores de hoje usam vários monitores para exibir vários gráficos e janelas de entrada de pedidos. Mesmo que sejam utilizados seis monitores, não deve ser considerado uma luz verde para dedicar cada centímetro quadrado de espaço na tela a indicadores técnicos. Sobrecarga de informação ocorre quando um comerciante tenta interpretar tantos dados que tudo isso essencialmente se perde. Algumas pessoas se referem a isso como paralisia de análise; Se muita informação for apresentada, o trader provavelmente ficará incapacitado de responder.
Um método de evitar sobrecarga de informação é eliminar quaisquer indicadores externos de um espaço de trabalho; se você não estiver usando, perca - isso ajudará a reduzir a desordem. Os comerciantes também podem revisar gráficos para confirmar que não estão sendo sobrecarregados por multicolinearidade; Se vários indicadores do mesmo tipo estiverem presentes no mesmo gráfico, um ou mais indicadores poderão ser removidos. (Para leitura relacionada, consulte Como a psicologia do mercado conduz os indicadores técnicos.)
Criar um espaço de trabalho bem organizado que use apenas ferramentas de análise relevantes é um processo. O quiver de indicadores técnicos que um trader usa pode mudar de tempos em tempos, dependendo das condições do mercado, estratégias sendo empregadas e estilo de negociação.
Os gráficos, por outro lado, podem ser salvos depois de configurados de maneira amigável ao usuário. Não é necessário reformatar os gráficos toda vez que a plataforma de negociação for fechada e reaberta (consulte a seção de Ajuda da plataforma de negociação para obter instruções). Símbolos de negociação podem ser alterados, juntamente com quaisquer indicadores técnicos, sem interromper o esquema de cores e o layout do espaço de trabalho.
A figura 2 ilustra um espaço de trabalho bem organizado. Considerações para a criação de gráficos e espaços de trabalho fáceis de ler incluem:
Cores As cores devem ser fáceis de visualizar e fornecer bastante contraste para que todos os dados possam ser visualizados prontamente. Além disso, uma cor de plano de fundo pode ser usada para gráficos de entrada de pedidos (o gráfico usado para entrada e saída de comércio) e uma cor de plano de fundo diferente pode ser usada para todos os outros gráficos do mesmo símbolo. Se mais de um símbolo estiver sendo negociado, uma cor de fundo diferente para cada símbolo pode ser usada para facilitar o isolamento de dados. Layout. Ter mais de um monitor é útil na criação de um espaço de trabalho fácil de usar. Um monitor pode ser usado para entrada de pedidos, enquanto o outro pode ser usado para gráficos de preços. Se o mesmo indicador for usado em mais de um gráfico, é recomendável colocar indicadores semelhantes no mesmo local em cada gráfico, usando as mesmas cores. Isso facilita a localização e a interpretação da atividade do mercado em gráficos separados. Dimensionamento e fontes. Fontes nítidas e nítidas permitem que os comerciantes leiam números e palavras com maior facilidade. Como cores e layout, o estilo da fonte é uma preferência, e os comerciantes podem experimentar diferentes estilos e tamanhos para encontrar a combinação que cria o resultado mais visualmente agradável. Uma vez encontrada a letra confortável, as mesmas fontes de estilo e tamanho podem ser usadas em todos os gráficos para fornecer continuidade.
Cabe a cada comerciante decidir quais indicadores técnicos usar, bem como determinar a melhor forma de usar os indicadores. Os indicadores mais comumente disponíveis, como médias móveis e osciladores, permitem um elemento de personalização simplesmente alterando os valores de entrada, as variáveis ​​definidas pelo usuário que modificam o comportamento do indicador. Variáveis ​​como o período de look-back ou o tipo de dados de preço usados ​​em um cálculo podem ser alterados para dar a um indicador valores muito diferentes e indicar condições de mercado diferentes.
A Figura 3 mostra um exemplo dos tipos de variáveis ​​de entrada que podem ser ajustadas para alterar o comportamento de um indicador. (Para leitura relacionada sobre médias móveis, veja 7 armadilhas de médias móveis.)
Muitas das plataformas de negociação avançadas de hoje permitem que os traders realizem estudos de otimização para determinar a entrada que resulta no desempenho ideal. Os operadores podem inserir um intervalo para uma entrada especificada, como um comprimento médio móvel, por exemplo, e a plataforma executará os cálculos para encontrar a entrada que cria os resultados mais favoráveis. Otimizações multivariadas analisam duas ou mais entradas simultaneamente para estabelecer qual combinação de variáveis ​​leva aos melhores resultados. A otimização é um passo importante no desenvolvimento de uma estratégia objetiva que define as regras de entrada, saída e gerenciamento de dinheiro.
Embora os estudos de otimização possam ajudar os comerciantes a identificar os insumos mais lucrativos, a otimização excessiva pode criar uma situação em que os resultados teóricos parecem fantásticos, mas os resultados das negociações ao vivo sofrerão porque o sistema foi ajustado para ter um bom desempenho apenas em um determinado conjunto de dados históricos. Embora estejam fora do escopo deste artigo, os traders que realizam estudos de otimização devem ter o cuidado de evitar a otimização excessiva, entendendo e utilizando técnicas adequadas de backtesting e forward testing como parte de um processo de desenvolvimento de estratégia geral.
É importante notar que a análise técnica lida com probabilidades e não com certezas. Não há combinação de indicadores que prevejam com exatidão as movimentações dos mercados em 100% do tempo. Embora muitos indicadores, ou o uso incorreto de indicadores, possam confundir a visão de um comerciante sobre os mercados, traders que usam indicadores técnicos com cuidado e eficácia podem identificar com mais precisão as configurações de negociação de alta probabilidade, aumentando suas chances de sucesso nos mercados. (Para leitura relacionada, consulte Como a psicologia do mercado conduz os indicadores técnicos.)