Estratégias de negociação artigos acadêmicos

Artigos sobre Opção de Negociação.
Perguntas frequentes sobre opções e futuros:
Os contratos de futuros e os contratos a prazo são instrumentos derivativos muito similares, mas diferem de certa forma. [Clique para continuar. ]
Conselho de opção de ações:
As opções de negociação do dia podem ser uma estratégia bem sucedida e rentável, mas há algumas coisas que você precisa saber antes de usar começar a usar opções para o dia comercial. [Clique para continuar. ]
Conceitos Avançados:
Saiba mais sobre a proporção de apontar, a forma como ela é derivada e como ela pode ser usada como um indicador contrário. [Clique para continuar. ]
Conceitos Avançados:
A paridade de chamada de compra é um princípio importante no preço de opções identificado pela primeira vez por Hans Stoll em seu artigo, The Relation Between Put and Call Prices, em 1969. Ele afirma que o prémio de uma opção de compra implica um certo preço justo para a opção de venda correspondente com 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 quando descreve riscos associados a várias posições. Eles são conhecidos como "os gregos". [Clique para continuar. ]
Estratégia de opções:
Como uma alternativa para escrever chamadas cobertas, pode-se inserir uma propagação de chamadas de touro para um potencial de lucro semelhante, mas com requisitos de capital significativamente menores. Em vez de manter o estoque subjacente na estratégia de chamadas cobertas, a alternativa. [Clique para continuar. ]
Stock Investing 101:
Uma vez que o valor das opções de compra de ações depende do preço do estoque subjacente, é útil calcular o valor justo das ações usando uma técnica conhecida como fluxo de caixa descontado. [Clique para continuar. ]
Estratégia de opções:
Se você está investindo no estilo de Peter Lynch, tentando prever o próximo multi-bagger, então quer saber mais sobre o LEAPS® e por que considero que eles são uma ótima opção para investir no próximo Microsoft®. [Clique para continuar. ]
Opções de negociação:
Os dividendos em dinheiro emitidos por ações têm grande impacto nos preços das opções. Isso ocorre porque o preço do estoque subjacente deve cair pelo valor do dividendo na data do ex-dividendo. [Clique para continuar. ]
Estratégia de opções:
Algumas ações pagam dividendos generosos a cada trimestre. Você qualifica o dividendo se você estiver segurando as ações antes da data do ex-dividendo. [Clique para continuar. ]
Estratégia de opções:
Para obter retornos mais altos no mercado de ações, além de fazer mais lição de casa nas empresas que deseja comprar, muitas vezes é necessário assumir maior risco. Uma maneira mais comum de fazer isso é comprar ações na margem. [Clique para continuar. ]
Estratégia de opções:
Comprar straddles é uma ótima maneira de jogar ganhos. Muitas vezes, a diferença de preço das ações para cima ou para baixo seguindo 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 ganhos seja bom se os investidores esperassem excelentes resultados. [Clique para continuar. ]
Estratégia de opções:
Se você é muito otimista em um estoque específico para o longo prazo e está procurando comprar o estoque, mas sente que está um pouco sobrevalorizado no momento, então você pode querer considerar escrever opções no estoque como um meio para adquiri-lo em um desconto. [Clique para continuar. ]
Você pode gostar.
Continue lendo.
Comprar Straddles em ganhos.
Comprar straddles é uma ótima maneira de jogar ganhos. Muitas vezes, a diferença de preço das ações para cima ou para baixo seguindo 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 ganhos seja bom se os investidores esperassem excelentes resultados. [Leia. ]
A escrita permite comprar estoques.
Se você é muito otimista em um estoque específico para o longo prazo e está procurando comprar o estoque, mas sente que está um pouco sobrevalorizado no momento, então você pode querer considerar escrever opções no estoque como um meio para adquiri-lo em um desconto. [Leia. ]
Quais são as opções binárias e como comercializá-las?
Também conhecidas como opções digitais, as opções binárias pertencem a uma classe especial de opções exóticas em que o operador da opção especula puramente na direção do subjacente em um período de tempo relativamente curto. [Leia. ]
Investir em estoques de crescimento usando opções LEAPS®.
Se você está investindo no estilo de Peter Lynch, tentando prever o próximo multi-bagger, então você gostaria de saber mais sobre LEAPS® e por que considero que eles são uma ótima opção para investir no próximo Microsoft®. [Leia. ]
Efeito dos Dividendos no Preço da Opção.
Os dividendos em dinheiro emitidos por ações têm grande impacto nos preços das opções. Isso ocorre porque o preço do estoque subjacente deve cair pelo valor do dividendo na data do ex-dividendo. [Leia. ]
Bull Call Spread: uma alternativa para a chamada coberta.
Como uma alternativa para escrever chamadas cobertas, pode-se inserir uma propagação de chamadas de touro para um potencial de lucro semelhante, mas com requisitos de capital significativamente menores. Em vez de manter o estoque subjacente na estratégia de chamadas cobertas, a alternativa. [Leia. ]
Captura de dividendos usando chamadas cobertas.
Algumas ações pagam dividendos generosos a cada trimestre. Você qualifica o dividendo se você estiver segurando as ações antes da data do ex-dividendo. [Leia. ]
Aproveite as chamadas, não Margin Calls.
Para obter retornos mais altos no mercado de ações, além de fazer mais lição de casa nas empresas que deseja comprar, muitas vezes é necessário assumir maior risco. Uma maneira mais comum de fazer isso é comprar ações na margem. [Leia. ]
Day Trading usando Opções.
As opções de negociação do dia podem ser uma estratégia bem sucedida e rentável, mas há algumas coisas que você precisa saber antes de usar começar a usar opções para o dia comercial. [Leia. ]
Qual é a relação de chamada de chamada e como usá-la.
Saiba mais sobre a proporção de apontar, a forma como ela é derivada e como ela pode ser usada como um indicador contrário. [Leia. ]
Compreender a paridade de colocação de chamadas.
A paridade de chamada de compra é um princípio importante no preço de opções identificado pela primeira vez por Hans Stoll em seu artigo, The Relation Between Put and Call Prices, em 1969. Ele afirma que o prémio de uma opção de compra implica um certo preço justo para a opção de venda correspondente com o mesmo preço de exercício e data de vencimento, e vice-versa. [Leia. ]
Compreendo os gregos.
Na negociação de opções, você pode notar o uso de certos alfabetos gregos como delta ou gama quando descreve riscos associados a várias posições. Eles são conhecidos como "os gregos". [Leia. ]
Valorizando ações comuns usando a análise de fluxo de caixa descontada.
Uma vez que o valor das opções de compra de ações depende do preço do estoque subjacente, é útil calcular o valor justo das ações usando uma técnica conhecida como fluxo de caixa descontado. [Leia. ]
Siga-nos no Facebook para obter estratégias diárias e amp; Dicas!
Estratégias de opções.
Opções básicas.
Opções Estratégia Finder.
Aviso de Risco: as ações, futuros e negociação de opções binárias discutidas neste site podem ser consideradas Operações de Negociação de Alto Risco e sua execução pode ser muito arriscada e pode resultar em perdas significativas ou mesmo em uma perda total de todos os fundos em sua conta. Você não deve arriscar mais do que você pode perder. Antes de decidir comercializar, você precisa garantir que compreenda 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 ser um serviço de recomendação comercial. TheOptionsGuide não será responsável por erros, omissões ou atrasos no conteúdo, ou por quaisquer ações tomadas com base nisso.
Os produtos financeiros oferecidos pela empresa possuem alto nível de risco e podem resultar na perda de todos os seus fundos. Você nunca deve investir dinheiro que não pode perder.

Journal of Investment Strategies.
Publicado pela primeira vez: dezembro de 2018.
O Journal of Investment Strategies é dedicado ao tratamento rigoroso das estratégias modernas de investimento; indo muito além das abordagens "clássicas" tanto em seus instrumentos e metodologias. Ao fornecer uma representação equilibrada de pesquisas acadêmicas, de compra e de venda, o Jornal promove a polinização cruzada de idéias entre pesquisadores e profissionais, alcançando um nexo exclusivo da academia e da indústria, por um lado, e modelos teóricos e aplicados sobre a de outros.
O Diário contém artigos de pesquisa aprofundados, bem como artigos de discussão sobre temas técnicos e de mercado, e visa capacitar a comunidade de investimento global com pesquisas práticas e de ponta para entender e implementar estratégias de investimento modernas.
Com foco em importantes estratégias, técnicas e gerenciamento de investimentos contemporâneos, o jornal considera artigos sobre as seguintes áreas:
Estratégias Fundamentais: incluindo macro fundamental, equidade fundamental ou seleção de crédito Estratégias de Valor Relativo: estimativa e investimento na avaliação relativa de títulos relacionados, tanto de baunilha como de derivadas Estratégias Táticas: estratégias baseadas na previsão e no investimento em padrões de comportamento de mercado, como o impulso ou reversão média, e as estratégias táticas de alocação de ativos. Estratégias orientadas por eventos: estratégias baseadas na previsão de probabilidade de eventos de mudança de mercado ou reações de mercado a tais eventos Estratégias de negociação algorítmica: modelos de microestrutura de mercado, liquidez e impacto no mercado e execução de contratos algorítmicos e estratégias de mercado Principais estratégias de investimento: investimento Estratégias para títulos ilíquidos e principal propriedade ou financiamento de ativos e negócios reais Gerenciamento de carteira e alocação de ativos: modelos para otimização de portfólio, controle de risco, atribuição de desempenho e alocação de ativos Métodos econométricos e estatísticos: com aplicações em estratégias de investimento.
O Journal of Investment Strategies foi selecionado para cobertura no Clarivate Analytics Emerging Sources Citation Index.
Negociação eficiente de carteiras tributáveis.
Este artigo determina estratégias de negociação do ciclo de vida para carteiras sujeitas ao sistema de impostos dos EUA.
Concentração de carteira e contágio no mercado de ações: evidência sobre o "vôo para familiaridade" em métodos de indexação.
Este artigo mostra luz sobre o emaranhamento dos esquemas de ponderação do índice.
Alavancagem e incerteza.
Ao estender o critério de Kelly a um modelo probabilístico simples com um resultado de risco de cauda adicional associado à incerteza, este documento examina além do risco e avalia como a incerteza restringe alavancagem ótima.
Iniciando o ciclo de vida com a rentável estratégia de rendimento de dividendos: simulações e análise não paramétrica.
Usando simulações, o autor mostra que o investimento em ciclo de vida implementado em ações altamente rentáveis ​​e de alto rendimento de dividendos (a estratégia rentável de rendimento de dividendos) fornece uma solução convincente para o problema da suboptimidade alavancando ...
Melhorando o valor da empresa através de opções de negociação.
Este artigo aborda o problema de aprimorar uma atividade de investimento ao adicionar regularmente uma troca de opções ao mix de portfólio e apresentou resultados para o subjacente único do índice S & amp; P 500, com a atividade subjacente sendo longa o índice ou ...
Um quadro de quantificação de incertezas para a obtenibilidade dos resultados de backtesting das estratégias de negociação.
Neste artigo, os autores propõem um quadro para a implementação e estratégias de negociação de backtesting.
Testes estatísticos de indicadores técnicos de DeMark sobre futuros de commodities.
Este artigo examina o desempenho de três indicadores de DeMark em mais de vinte e um mercados de futuros de commodities e dez anos de dados diários.
Correção dos motores de backtest.
Neste artigo, os autores fornecem ferramentas para testar a correção dos mecanismos de backtest para configurações com no máximo uma entrada e uma saída.
Black-Litterman, beta exótica e diferentes carteiras eficientes: uma abordagem integrada.
Este artigo traz a otimização de Black-Litterman, betas exóticas e diferentes carteiras iniciais em um quadro completo e simbiótico.
Paridade de risco agnóstica: domesticar desconhecidos conhecidos e desconhecidos.
Este artigo oferece uma nova perspectiva sobre alocação de portfólio, que evita qualquer otimização explícita e, em vez disso, leva o ponto de vista da simetria.
Risco de interconexão e gerenciamento de portfólio ativo.
Este artigo estuda medidas de centralidade (risco de interconexão) e seu valor agregado em um quadro de otimização de portfólio ativo.
Restrições de risco para otimização de portfólio com custo de transação de taxa fixa.
Neste artigo, os autores investigam como os custos de transação de taxa fixa afetam o reequilíbrio do portfólio.
Investir em períodos com distâncias de Mahalanobis.
Os autores propõem um quadro analítico para medir as oportunidades de investimento e alocar o risco ao longo do tempo com base na distância Mahalanobis.
Modelos de risco estatístico.
Neste artigo, os autores fornecem algoritmos completos e código-fonte para a construção de modelos de risco estatístico.
Na otimização das exposições ao risco com estratégias de tendência nas carteiras de sobreposição de moeda.
Este artigo propõe o uso de um mecanismo de otimização no processo de construção da carteira de sobreposição de moeda.
Estratégia de preço de fechamento ótima: peculiaridades e aspectos práticos.
Os autores deste artigo obtêm uma ótima estratégia de negociação que avalia o preço de fechamento em uma estrutura de otimização de variância média.
Insights sobre otimização robusta: decomposição em carteiras de variância média e risco.
Os autores deste artigo visam desmitificar as carteiras selecionadas por otimização robusta, olhando para limitar as carteiras nos casos de incerteza grande e pequena nos retornos médios.
Igual alocação de risco com carry, value e momentum.
Os autores deste artigo analisam uma carteira de igual peso de exposições globais ao fator de risco de classes cruzadas.
Modelos de risco multifactorial e CAPM heterotico.
Os autores deste artigo fornecem um algoritmo completo e código fonte para a construção de modelos de risco multifatorial em geral através de qualquer combinação de fatores de estilo, componentes principais e / ou fatores do setor.
Estratégias fracionadas de Kelly com ações de baixo risco.
Este artigo usa o quadro de estratégias fracionadas de Kelly para mostrar que as carteiras ótimas com estoques de baixo beta geram maior riqueza mediana e menor risco de queda intra-horizonte.
Paginação.
Procurar revistas.
© Infopro Digital Risk (IP) Limited, publicado pela Infopro Digital Risk Limited, Haymarket House, 28-29 Haymarket, London SW1Y 4RX, são empresas registradas em Inglaterra e País de Gales com números de registro da empresa 9232733 & amp; 9232652.
Editora digital do ano.
Você precisa fazer login para usar esse recurso. Se você não possui uma conta de Risco, inscreva-se para um teste.
Você está atualmente em acesso corporativo.
Para usar este recurso, você precisará de uma conta individual. Se você já possui um, inscreva-se.
Alternativamente, você pode solicitar uma conta indvidual aqui:

Estratégias de negociação artigos acadêmicos
Afiliação: Dipartimento di Economia e Impresa, Universitá di Catania, Catania, Itália.
Alessandro Pluchino.
Afiliações: Dipartimento de Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.
Andrea Rapisarda.
Afiliações: Dipartimento de Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.
Dirk Helbing.
Afiliação: ETH Zurich, Zurique, Suíça.
Neste trabalho, 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 para prever a dinâmica dos mercados financeiros para diferentes índices internacionais de bolsa de valores, com o objetivo de compará-los ao desempenho de uma estratégia completamente aleatória. A este respeito, dados históricos para FTSE-UK, FTSE-MIB, DAX e S & amp; Os índices P500 são levados em conta por um período de cerca de 15-20 anos (desde a sua criação até hoje).
Citação: Biondo AE, Pluchino A, Rapisarda A, Helbing D (2018) As estratégias de negociação aleatória são mais bem-sucedidas do que técnicas? PLoS ONE 8 (7): e68344. doi: 10.1371 / journal. pone.0068344.
Editor: Alejandro Raul Hernández Montoya, Universidad Veracruzana, México.
Direitos autorais: © 2018 Biondo et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença de Atribuição de Commons, que permite uso, distribuição e reprodução sem restrições em qualquer meio, desde que o autor original e a fonte sejam creditados.
Financiamento: os autores não têm apoio ou financiamento para denunciar.
Interesses concorrentes: os autores declararam que não existem interesses concorrentes.
Introdução.
Na física, tanto no nível clássico quanto no quântico, muitos sistemas reais funcionam bem e de forma mais eficiente devido ao papel útil de um ruído fraco aleatório [1] - [6]. Mas não só os sistemas físicos se beneficiam da desordem. De fato, o ruído tem grandes influências sobre a dinâmica das células, neurônios e outras entidades biológicas, mas também nos sistemas ecológicos, geofísicos e socioeconômicos. Seguindo esta linha de pesquisa, investigamos recentemente como as 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 minoria e Parrondo [11], [12], na avaliação do desempenho do portfólio [13] e no contexto do leilão contínuo [14].
Recentemente, Taleb comentou brilhantemente em seus livros bem sucedidos [15], [16] como os cisnes pretos e negros governam nossa vida, mas também o comportamento da economia e do mercado financeiro além de nossas expectativas ou controle pessoais e racionais. Na verdade, a aleatoriedade entra em nossa vida cotidiana, embora dificilmente a reconheçamos. Portanto, mesmo sem ser tão céticos quanto Taleb, pode-se facilmente afirmar que muitas vezes entendemos os fenômenos que nos rodeiam e são enganados por conexões aparentes que são apenas devidas à fortuidade. Os sistemas econômicos são inevitavelmente afetados pelas expectativas, presentes e passadas, uma vez que as crenças dos agentes influenciam fortemente suas dinâmicas futuras. Se hoje uma ótima expectativa surgisse sobre o desempenho de qualquer segurança, todos tentariam comprá-lo e essa ocorrência implicaria um aumento no preço. Então, amanhã, essa segurança teria um preço maior do que hoje, e esse fato seria apenas a conseqüência da própria expectativa de mercado. Esta profunda dependência das expectativas fez com que os economistas financeiros tentassem construir mecanismos para prever os preços dos ativos futuros. O objetivo deste estudo é precisamente verificar se esses mecanismos, que serão descritos em detalhes nas próximas seções, são mais efetivos para prever a dinâmica do mercado em comparação com uma estratégia completamente aleatória.
Em um artigo anterior [17], motivado também por algumas experiências intrigantes onde 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 no Reino Unido. Aqui, vamos estender essa investigação a outros mercados financeiros e a 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, apresentamos as séries temporais financeiras consideradas em nosso estudo e realizamos uma análise desconsiderada na 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 de política contra-intuitiva.
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, portanto, enfrentam altos custos de busca para obter informações necessárias. No entanto, normalmente, eles não podem reunir todas as informações que devem. Portanto, os agentes agem com base na racionalidade limitada, o que leva a tendências significativas na maximização de utilidade esperada que eles perseguem. 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 concorrência no mercado e são expulsos. Portanto, nem os preconceitos 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, pode-se dizer que, hoje em dia, dois principais modelos de referência de expectativas foram amplamente estabelecidos na literatura econômica: modelo de expectativas adaptativas e modelo de expectativa racional. Aqui não iremos dar uma definição formal desses paradigmas. Para nossos propósitos, basta lembrar sua lógica. O modelo de expectativas adaptativas é baseado em uma série de valores aparentemente ponderados (para que o valor esperado de uma variável seja o resultado da combinação de seus valores passados). Em contraste, o modelo de expectativas racionais hipotema 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 então a previsão objetiva fornecida pela teoria). Essas duas teorias remontam a contribuições muito relevantes, entre as quais 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 introduzida pela primeira vez pela Arrow e Nerlove [25]). Para expectativas racionais, nos referimos a Muth [26], Lucas [27] e Sargent-Wallace [28].
Os mercados financeiros geralmente são tomados como exemplo para dinâmicas complexas e volatilidade perigosa. Isso de alguma forma sugere a idéia de imprevisibilidade. No entanto, devido ao papel relevante desses mercados no sistema econômico, um vasto leque 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 arbitragem perfeita. Isso significa que o caso de ineficiência implica a existência de oportunidades para lucros inexplorados e, claro, os comerciantes operariam imediatamente posições longas ou curtas até que desaparecesse qualquer possibilidade de lucro. Jensen [30] afirma precisamente que um mercado deve ser considerado eficiente em relação a um conjunto de informações se for impossível fazer lucros através da negociação com base nesse conjunto de informações. Isso é consistente com Malkiel [31], que argumenta que um mercado eficiente reflete perfeitamente toda a informação 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 do mercado, de acordo com o grau de completude do conjunto informativo (ou seja, "fraco", "semi-forte" e "forte"). Assim, os comerciantes e os analistas financeiros procuram continuamente expandir seu conjunto de informações para ganhar a oportunidade de escolher a melhor estratégia: este processo envolve agentes tanto em flutuações de preços que, no final do dia, pode-se dizer que sua atividade é reduzida a uma suposição sistemática. A globalização completa dos mercados financeiros ampliou esse processo e, eventualmente, estamos experimentando décadas de extrema variabilidade e alta volatilidade.
Keynes argumentou, há muitos anos, que a racionalidade dos agentes e da psicologia em massa (os chamados "espíritos animais") não deve ser interpretada como se fosse a mesma coisa. O autor apresentou o famoso exemplo do concurso de beleza para explicar a lógica embaixo dos mercados financeiros. Em sua Teoria Geral [32] ele escreveu que "o investimento baseado em expectativas genuínas de longo prazo é tão difícil de ser praticamente praticável. Aquele que o tenta certamente deve levar dias muito mais laboriosos e correr riscos maiores do que aquele que tenta adivinhar melhor do que a multidão como a multidão se comportará; e, dada a mesma inteligência, ele pode cometer erros mais desastrosos. "Em outras palavras, para prever o vencedor do concurso de beleza, deve-se tentar interpretar a beleza preferida do jurado, ao invés 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 antecipadamente a opinião "do júri", ou seja, de uma massa generalizada, heterogênea e muito substancial de investidores que reduz qualquer previsão possível apenas para um palpite.
Apesar de considerações como essas, a chamada Hipótese do Mercado Eficiente (cujo principal fundamento teórico é a teoria das expectativas racionais), descreve o caso de mercados perfeitamente competitivos e agentes perfeitamente racionais, dotados de todas as informações disponíveis, que escolhem as melhores estratégias ( uma vez que o mecanismo de compensação competitivo os colocaria fora do mercado). Há evidências de que esta interpretação de um mecanismo de arbitragem perfeito totalmente funcional não é adequada para analisar mercados financeiros como, por exemplo: Cutler et al. [33], que mostra que grandes movimentos de preços ocorrem mesmo quando pouca ou nenhuma informação nova está disponível; Engle [34], que relatou que a volatilidade dos preços está temporariamente correlacionada temporariamente; Mandelbrot [35], [36], Lux [37], Mantegna e Stanley [38], que argumentam que as flutuações de preços curtos 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. Nestes 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 citar com franqueza pelo menos as contribuições de Brock [40], 41, Brock e Hommes [42], Chiarella [43], Chiarella e He [44], DeGrauwe et al . [45], Frankel e Froot [46], Lux [47], Wang [48] e Zeeman [49].
Parte desta literatura refere-se à abordagem, denominada "sistemas de crenças adaptativas", que tenta aplicar não-linearidade e ruído aos modelos de mercado financeiro. A incerteza intrínseca sobre os fundamentos econômicos, juntamente com erros e heterogeneidade, leva à idéia de que, além do valor fundamental (ou seja, o valor atualizado atual dos fluxos esperados de dividendos), os preços das ações flutuam imprevisivelmente por fases de otimismo ou pessimismo de acordo para as fases correspondentes da tendência de alta e tendência de baixa que causam crises de mercado. Como gerenciar esse tipo de comportamento errático para otimizar uma estratégia de investimento? Para explicar a atitude muito diferente adotada pelos agentes para escolher estratégias ao negociar nos mercados financeiros, é feita uma distinção entre fundamentalistas e chartist. 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, ganhos, crescimento econômico, taxas de desemprego, etc.). Por outro lado, os últimos tentam extrapolar tendências ou características estatisticamente relevantes de séries passadas de dados, para prever caminhos futuros dos preços dos ativos (também conhecida como análise técnica).
Dado que a interação desses dois grupos de agentes determina a evolução do mercado, escolhemos aqui para se concentrar no comportamento dos chartists (uma vez que uma análise qualitativa sobre os fundamentos macroeconômicos é absolutamente subjetiva e difícil de avaliar), tentando avaliar o ex investidor individual - capacidade de previsão significativa. Supondo a falta de informações completas, 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 de hipóteses de mercados eficientes acima mencionados. Mais precisamente, estamos buscando a resposta para a seguinte questão: se um comerciante assume a falta de informações completas através de todo o mercado (ou seja, a imprevisibilidade da dinâmica dos preços das ações [50] - [53]), um ex-ante aleatório A estratégia de negociação desempenha, em média, estratégias de negociação bem conhecidas? Passamos da evidência de que, uma vez que 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 auto-influente, devido à circulação assimétrica de informações, desenvolve seus vínculos e gera comportamentos de rebanho para seguir alguns sinais cuja credibilidade é aceita.
As crises financeiras mostram que os mercados financeiros não são imunes às falhas. Seu sucesso periódico não é gratuito: eventos catastróficos queimam enormes valores em dólares e os sistemas econômicos em grave perigo. Os comerciantes estão tão certos de que as estratégias elaboradas se encaixam na dinâmica dos mercados? Nossa simulação simples realizará uma análise comparativa do desempenho de diferentes estratégias de negociação: nossos comerciantes terão que prever, dia a dia, se o mercado subirá (tendência "alta") ou baixa (tendência "baixa"). As estratégias testadas são: Momentum, RSI, UPD, MACD e um completamente aleatório.
Os teóricos das expectativas racionais apostaram imediatamente que a estratégia aleatória perderia a concorrência, pois não está fazendo uso de nenhuma informação, mas, como mostraremos, nossos resultados são bastante surpreendentes.
Análise Detenida da Série Temporária Índice.
Consideramos quatro índices muito populares de mercados financeiros e, em particular, analisamos as seguintes séries temporais correspondentes, mostradas na Fig. 1:
Expandir Figura 1. Evolução temporal de quatro índices importantes de mercado financeiro (intervalos de tempo variando 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 foi estimulada pela descoberta de algum tipo de comportamento persistente em alguns deles [38], [54], [55]. O objetivo principal da seção atual é investigar a possível presença de correlações nas quatro séries financeiras anteriores de todos os índices de ações do mercado de ações europeu e norte-americano. Neste contexto, calcularemos o expoente Hurst dependente do tempo usando a técnica de média móvel detritada (DMA) [56]. Comecemos por um resumo do algoritmo DMA. O procedimento computacional é baseado no cálculo do desvio padrão ao longo de uma determinada série de tempo 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 aumentar os valores dentro do intervalo, sendo o comprimento da série temporal, e os valores obtidos são relatados como uma função de um gráfico log-log. Em geral, exibe uma dependência de poder-lei com o expoente, isto é,
Em particular, se, um tiver uma correlação negativa ou comportamento anti-persistente, enquanto que se um tiver uma correlação positiva ou comportamento persistente. O caso corresponde a um processo browniano não correlacionado. No nosso caso, como primeiro passo, calculamos o expoente Hurst considerando a série completa. Esta análise está ilustrada nas quatro parcelas da Fig. 2. Aqui, um ajuste linear para os lotes log-log revela que todos os valores do índice Hurst H obtidos dessa 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 Figura 2. Análise Detenida para as quatro séries de mercado financeiro mostradas na Fig. 1.
O comportamento do direito de poder do desvio padrão DMA permite derivar um índice Hurst que, em todos os quatro casos, oscila em torno de 0,5, o que indica uma ausência de correlações, em média, em grandes períodos de tempo. Veja o texto.
Por outro lado, é interessante calcular o expoente 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 passo do tempo. Isto significa que, a cada tempo, calculamos o interior da janela deslizante mudando com a Eq. (1). Assim, seguindo o mesmo procedimento descrito acima, uma seqüência de valores do expoente Hurst é obtida em função do tempo. Na Fig. 3 mostramos os resultados obtidos para os parâmetros,. Nesse caso, os valores obtidos para o expoente Hurst diferem muito localmente de 0,5, o que indica a presença de correlações locais significativas.
Expandir Figura 3. Dependência do tempo do índice Hurst para as quatro séries: em escalas de tempo menores, correções significativas estão presentes.
Esta investigação, que está em consonância 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 eles anulam a média em períodos longos. Como veremos nas próximas seções, essa característica afetará os desempenhos 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, uma vez que o comerciante correspondente faz sua previsão ao tempo completamente ao acaso (com distribuição uniforme). Estratégia Momentum (MOM) Esta estratégia baseia-se no chamado indicador 'momentum', isto é, a diferença entre o valor eo valor, onde é um determinado intervalo de negociação (em dias). Então, se, o comerciante prevê um incremento do índice de fechamento para o dia seguinte (isto é, prevê isso) e vice-versa. Nas próximas simulações, consideraremos dias, uma vez que este é um dos atrasos de tempo mais utilizados para o indicador de momentum. Veja a Ref. [57]. Estratégia de índice de força relativa (RSI) Esta estratégia é baseada em um indicador mais complexo chamado 'RSI'. É considerada uma medida da força comercial recente da ação e sua definição é: onde é 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 um determinado período de tempo imediatamente anterior ao tempo, o comerciante que segue a estratégia RSI faz sua previsão com base em uma possível reversão da tendência do mercado, revelada pela denominada "divergência" entre a série temporal original e a nova RSI. Uma divergência pode ser definida referindo-se a uma comparação entre as séries de dados originais e as séries RSI geradas, e é o sinal comercial mais significativo entregue por qualquer indicador de estilo oscilador. É o caso quando a tendência significativa entre dois extremos locais mostrados pela tendência RSI é orientada na direção oposta à tendência significativa entre dois extrema (no mesmo intervalo de tempo) mostrado pela série original. Quando a linha RSI se inclina de forma diferente da linha original da série, 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 de alta (uma vez que o oscilador RSI diverge da série original: ele 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 predição do sinal, dependendo da tendência de alta ou baixa dos dias anteriores. Nas próximas simulações, escolheremos dias, uma vez que - novamente - esse valor é um dos mais utilizados nas estratégias de negociação reais baseadas em RSI. Veja a Ref. [57]. Estratégia UPD (Up and Down Persistency) Esta estratégia determinista não vem da análise técnica. No entanto, decidimos considerá-lo porque parece seguir o comportamento aparentemente simples alternativo "para cima e para baixo" 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 de amanhã é exatamente o oposto do que aconteceu no dia anterior. Se, por exemplo, um tiver, a expectativa a tempo do período será otimista: e vice-versa. Estratégia de divergência de convergência média convergente (MACD) O 'MACD' é uma série construída por meio da diferença entre duas médias móveis exponenciais (EMA, doravante) do preço de mercado, referentes a duas janelas de tempo diferentes, uma menor e uma maior. Em qualquer momento t,. Em particular, a primeira é a Média de Movimento Exponencial de mais de doze dias, enquanto a segunda refere-se a vinte e seis dias. O cálculo dessas EMAs em um intervalo de tempo pré-determinado, x, dado um peso de proporcionalidade, é executado pela seguinte fórmula recursiva: com, onde. Uma vez que a série MACD foi calculada, sua Média de Movimento Exponencial de 9 dias é obtida e, finalmente, a estratégia de negociação para a predição da dinâmica do mercado pode ser definida: a expectativa para o mercado é alta (baixa) se (). Veja a Ref. [57]. Expandir Figura 4. Exemplo de divergência 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 concordam. Quando a divergência ocorre, espera-se uma inversão da dinâmica dos preços. No exemplo, espera-se um período de alta.
Resultados de simulações empiricamente baseadas.
Para cada uma das nossas quatro séries temporais financeiras de duração (em dias), o objetivo era simplesmente prever, dia a dia e para cada estratégia, o movimento ascendente (otimista) ou descendente (descendente) do índice em um determinado dia com respeito ao valor de fechamento um dia antes: se a previsão é correta, o comerciante ganha, caso contrário, ele / ela perde. Neste contexto, estamos apenas interessados ​​em avaliar a porcentagem de ganhos alcançados por cada estratégia, assumindo que - em cada etapa do tempo - os comerciantes conhecem perfeitamente o histórico passado dos índices, mas não possuem nenhuma outra informação e não podem exercer qualquer influência sobre o mercado, nem receberá informações sobre movimentos futuros.
No que se segue, testamos o desempenho das cinco estratégias, dividindo cada uma das quatro séries temporais em uma seqüência de janelas de negociação de igual tamanho (em dias) e avaliando a porcentagem média de vitórias para cada estratégia dentro de cada janela enquanto os comerciantes se movem ao longo da série dia a dia, de para. Este procedimento, quando aplicado, nos permite explorar o desempenho das várias estratégias para várias escalas de tempo (variando, de forma aproximada, de meses a anos).
A motivação por trás desta escolha está ligada ao fato de que a evolução do tempo de cada índice alterna claramente entre os períodos calmos e voláteis, o que, com uma resolução mais fina, revelaria uma alternância adicional, auto-similar, de comportamento intermitente e regular em menores escalas de tempo, característica característica dos mercados financeiros turbulentos [35], [36], [38], [58]. Esse recurso torna a previsão de longo prazo de seu comportamento muito difícil ou mesmo impossível com instrumentos de análise financeira padrão. O fato é que, devido à presença de correlações sobre pequenas escalas temporais (como confirmado pela análise do expoente Hurst dependente do tempo na Fig. 3), pode-se esperar que uma estratégia de negociação padrão determinada, com base na história passada da índices, podem ser melhores do que os outros dentro de uma determinada janela de tempo. Mas isso poderia depender muito mais do acaso do que da efetividade real do algoritmo adotado. Por outro lado, se em uma escala temporal muito grande a evolução do tempo do mercado financeiro é um processo browniano não correlacionado (conforme indicado pelo expoente médio de Hurst, que resulta em estar em torno de todas as séries temporais financeiras consideradas), também se poderia esperar que o desempenho das estratégias de negociação padrão em uma grande escala de tempo se torna comparável aos aleatórios. Na verdade, isso é exatamente o que encontramos, como explicado no seguinte.
Nas Figs. 5-8, relatamos os resultados de nossas simulações para os quatro índices de ações considerados (FTSE-UK, FTSE-MIB, DAX, S & amp; P 500). Em cada figura, de cima para baixo, traçamos: as séries temporais do mercado em função do tempo; a série "retorna" correspondente, determinada como a relação; a volatilidade dos retornos, isto é, 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 vitórias para as cinco estratégias de negociação consideradas, calculadas para os mesmos quatro tipos de janelas (a média é realizada em todas as janelas em cada configuração, considerando diferentes corridas de simulação dentro de cada janela); os desvios-padrão correspondentes para as vitórias das cinco estratégias.
Expanda a Figura 5. Resultados da série de índices FTSE-UK, divididos em um número crescente de janelas de negociação de igual tamanho (3,9,18,30), simulando diferentes escalas de tempo.
De cima para baixo, relatamos as séries temporais de índice, as séries temporais de retorno correspondentes, a volatilidade, as porcentagens de vitórias para as cinco estratégias em todas as janelas e os desvios-padrão correspondentes. As duas últimas quantidades são calculadas em média em 10 corridas diferentes (eventos) dentro de cada janela.
De cima para baixo, relatamos as séries temporais de índice, as séries temporais de retorno correspondentes, a volatilidade, as porcentagens de vitórias para as cinco estratégias em todas as janelas e os desvios-padrão correspondentes. As duas últimas quantidades são calculadas em média em 10 corridas diferentes (eventos) dentro de cada janela.
De cima para baixo, relatamos as séries temporais de índice, as séries temporais de retorno correspondentes, a volatilidade, as porcentagens de vitórias para as cinco estratégias em todas as janelas e os desvios-padrão correspondentes. As duas últimas quantidades são calculadas em média em 10 corridas diferentes (eventos) dentro de cada janela.
De cima para baixo, relatamos as séries temporais de índice, as séries temporais de retorno correspondentes, a volatilidade, as porcentagens de vitórias para as cinco estratégias em todas as janelas e os desvios-padrão correspondentes. As duas últimas quantidades são calculadas em média em 10 corridas diferentes (eventos) dentro de cada janela.
Observando os dois últimos painéis em cada figura, dois resultados principais são evidentes:
As percentagens médias de vitórias para as cinco estratégias são sempre comparáveis ​​e oscilam, com pequenas diferenças aleatórias que dependem do índice financeiro considerado. O desempenho das vitórias para todas as estratégias pode parecer paradoxal, mas depende do procedimento de média em todas as janelas ao longo de cada série de tempos. 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 média em diferentes eventos): como se pode ver, dentro de uma determinada janela de negociação, cada uma Uma estratégia única pode ser aleatoriamente melhor ou pior, mas, em média, o desempenho global das diferentes estratégias é muito similar. Além disso, referindo-se novamente às Figs. 5-8, vale a pena notar que a estratégia com a porcentagem média mais alta de vitórias (para a maioria das configurações do Windows) muda de um índice para outro: para FTSE-UK, a estratégia MOM parece ter uma pequena vantagem; Para FTSE-MIB, a UPD parece ser a melhor; para DAX, o RSI e para o S & amp; P 500, a UPD funciona um pouco melhor do que as outras. In any case the advantage of a strategy seems purely coincidental. The second important result is that the fluctuations of the random strategy are always smaller than those of the other strategies (as it is also visible in Fig. 9 for the case ): this means that the random strategy is less risky than the considered standard trading strategies, while the average performance is almost identical. This implies that, when attempting to optimize the performance, standard traders are fooled by the “illusion of control” phenomenon [11], [12], reinforced by a lucky sequence of wins in a given time window. However, the first big loss may drive them out of the market. On the other hand, the effectiveness of random strategies can be probably related to the turbulent and erratic character of the financial markets: it is true that a random trader is likely to win less in a given time window, but he/she is likely also to loose less. Therefore his/her strategy implies less risk, as he/she has a lower probability to be thrown out of the game. Expand Figure 9. The percentage of wins of the different strategies inside each time window - averaged over 10 different events - is reported, in the case N w = 30, for the four markets considered.
As visible, the performances of the strategies can be very different one from the others inside a single time window, but averaging over the whole series these differences tend to disappear and one recovers the common outcome shown in the previous figures.
Conclusions and Policy Implications.
In this paper we have explored the role of random strategies in financial systems from a micro-economic point of view. In particular, we simulated the performance of five trading strategies, including a completely random one, applied to four very popular financial markets indexes, in order to compare their predictive capacity. Our main result, which is independent of the market considered, is that standard trading strategies and their algorithms, based on the past history of the time series, although have occasionally the chance to be successful inside small temporal windows, on a large temporal scale perform 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 (2018) 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 (2018) 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 (2018) Efficient promotion strategies in hierarchical organizations. Physica A 390: 3496–3511. 10. Pluchino A, Rapisarda A, Garofalo C, Spagano S, Caserta M (2018) Accidental Politicians: How Randomly Selected Legislators Can improve Parliament Efficiency. Physica A, 2018 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 (2018) 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. Nova Iorque: 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 (2018) On the non-stationarity of financial time series: impact on optimal portfolio selection. Journal of Statistical Mechanics. doi:10.1088/1742-5468/2018/07/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 (2018) Physics for Financial Markets. Available: tinyurl/d3j5bgs. 60. Tedeschi G, Iori G, Gallegati M (2018) Herding effects in order driven markets: The rise and fall of gurus. Journal of Economic Behavior & amp; Organization 81: 82–96 doi:10.1016/j. jebo.2018.09.006.
PLOS is a nonprofit 501(c)(3) corporation, #C2354500, and is based in San Francisco, California, US.

High frequency data analysis.
Published in Automated Trader Magazine Issue 05 April 2007.
As the requirements for storing, manipulating and deriving intelligence from ever larger data sets continue to expand, techniques and technology have to keep pace. Brian Sentance, CEO of Xenomorph, outlines some of the prerequisites.
Brian Sentance.
It is hardly a secret that data management in financial markets is undergoing a period of fundamental change. This has been driven by a variety of diverse factors across the capital markets spectrum. When combined, these have precipitated a colossal increase in message and transaction volumes, as well as both profit and cost incentives to move away from single asset class data silos. Among many other factors, this list includes:
The use of algorithmic trading as a means of reducing market impact and improving execution quality.
High-frequency statistical and order book arbitrage.
Developments in areas such as credit theory that establish market relationships, which in turn motivate more complex cross-asset trading strategies.
Regulations such as MiFID and RegNMS.
End of day to high frequency.
Just a decade ago, many traders were typically analysing end of day historic data for strategy backtesting and instrument pricing purposes. In at least some cases it must be said that they possibly had little choice from a technological perspective; the capture, storage and analysis of intraday data volumes even then was challenging, especially at a time when the relational database was still a relatively new technology. However, with wider derivative pricing margins and profitable statistical arbitrage being possible using only end of day data, there was also little incentive to store and analyse intraday tick and high frequency data. Since then, far tighter trading margins, cross-asset trading and improved technology have shifted traders' perceptions of what is required and what kind of analysis is possible with high frequency intraday data.
At the same time, intraday data has not created great excitement among risk managers. Hardly surprising perhaps given that many of them find that obtaining clean data for end of day risk measurement challenging enough. Risk measurement techniques such as Monte Carlo or historical simulation VaR require large amounts of historical data and are calculation intensive. Large data universes or poor implementation may mean that it is challenging to attempt to run these techniques as an overnight batch, let alone perform the calculations in real or near real-time. However, growing intraday trading exposure, better understanding of intraday market behaviour and recent regulatory requirements regarding data transparency and data quality are driving risk managers towards analysis of tick by tick and intraday data.
One of the challenges when building a tick database for multiple instruments is defining precisely what data items to capture without having to learn and use some form of database scripting language. Ideally, business users will be looking for some form of GUI that allows them to select multiple data attributes for real-time capture and monitoring, and that also provides an easy means of configuring how the download is to be monitored, filtered and logged.
A considerable degree of flexibility is also desirable around the real-time modification and monitoring of the tick database instrument universe. For example, rather than having to continually specify instruments by individual name or symbol, it is more productive if some form of query option can be applied. Using this, a tick capture process could be established that only captured data for stocks with a market capitalisation between certain levels, or that were part of an index and that were of a certain level of volatility. If this query could also be configured to refresh itself automatically, then no new instruments would ever be excluded from the capture process.
Tick Storage - Real-Time, Intraday and History All in One.
Storage of intraday data is becoming increasingly challenging due to the data volumes involved. A highly traded stock may have tens of thousands of price events per day, quickly resulting in a storage requirement of Gigabytes of data per day and Terabytes of data per year for any reasonable sized instrument universe.
Bear in mind that these figures are just today's requirements. If one extrapolates the current growth rate in data densities just a year or two into the future, one will be looking at demands that are an order (or perhaps several orders) of magnitude greater. Therefore any database engine that is to be remotely future proof will ideally already be capable of storing Petabytes of data today.
However, storage is only part of the picture. A viable database engine will also need to be capable of high performance data retrieval at speeds well beyond that currently possible with mainstream relational database technology. If it is, this will mean that large calculations with intraday and time series data that ordinarily run as a batch job can be run in real-time and near real-time. This thereby delivers a significant competitive advantage in implementing trading strategies, back-testing of trading strategies, risk management and transaction cost analysis.
Data Validation - Why Waste Half Your Time?
One of the key issues in analysing market data, and in particular intraday data, is that many traders, analysts and risk managers spend far too much of their time checking, validating and interpolating data and not enough time on making decisions with it. For many kinds of analysis, it is essential that the raw database data stored from the market be adjusted in some way prior to applying a calculation. For example, the data may need rebasing in frequency, aligning across multiple series or filling in some way.
In standard SQL databases this kind of manipulation is very difficult to do, requiring much postprocessing of queried data. This has the net result of reducing the usefulness of SQL, increasing the complexity of the queries written and limiting the analysis that can be done by non-technologists.
One effective way of addressing this issue is to have "data rules" that set a data context for the data to be loaded in a query or calculation. Some examples of data rules are shown below, the key point being that by separating out the data rules, the queries themselves can be kept simple and hence more productive for both technologists and business users alike.
Data Frequency and Time Snapping - this involves converting from tick-by-tick (irregular time frequency) to some other more regular basis such as price samples taken every five minutes Data Filling, Aligning and Loading Rules - in the data frequency conversion above, it cannot be guaranteed (and indeed it is unlikely) that there will be a traded price observed at every five minute frequency point. Therefore some form of data rule should be available that allows the user to substitute the latest, next or an interpolated price point Data Source Selection - another data management issue that can arise is where multiple data sources are available, and the user has some kind of preference for which sources should be used first. This can be resolved by a data rule that specifies the priority of the various data sources. Then if the primary source does not have any data for a particular capture point, data from the secondary source can be substituted.
Real or Interpolated Data?
The data rules briefly outlined above are powerful, but a key requirement for anyone using them is to quickly understand the effect of applying them to the data loaded in a query. An example query using Xenomorph TimeScape is shown in Figure 1 below:
Figure 1 - Example Query Explaining Effects of Data Rules Applied.
This example query converts tick data to an hourly frequency for Barclays, retrieving date/time, value, the data status and a data status explanation. It can be seen that none of the data has been officially validated as shown in the data status column.
The data point explanation column tells the user how the data value was arrived at i. e. whether the data value is "real" or interpolated. This transparency of understanding around data rules and their effects is vital to the validity of any calculation or report.
Data Analysis - From Backtesting to Best Execution.
Data only becomes valuable when data analysis translates it into information. Why store vast amounts of market data if you don't have the ability to analyse it? The current competitive challenge in the market is to apply ever more complex analysis to ever-increasing volumes of data.
Backtesting for automated and statistical trading strategies is growing in importance as a pre-trade decision support function. Within risk management, intraday and cross-market trading is driving the need to analyse intraday data more fully and faster. Regulation is now also driving data analysis in areas such as historic verification of best execution policies.
In order to deal with these expanding data analysis requirements, both traders and technologists need the tools to analyse more data, more quickly. It is no longer sufficient solely to rely on technologists to translate business requirement into business analytics. Such a process makes technology staff the business bottleneck in responding to trading requirements. It also means that the technology staff are hit with daily tactical requirements from trading that inhibit the timely delivery of strategic systems and processes. What is needed is a strategic way of alleviating this tactical pressure point, providing a transparent, easy to use and powerful framework for data analysis across all asset classes. Examples of the type of functions that can be used by end users to facilitate this analysis include:
Chaining Analytical Functions - if calculations can be chained together to perform more complex analysis, greater productivity results. For example, a query could take all the available trade price data for HBOS, calculate a rolling twenty point volatility (adjusting automatically for irregular data frequency) and then calculate the average of these volatilities.
When one combines the analysis capabilities shown above with some of the data rules and frequency examples previously explained, it becomes possible to achieve some relatively complex pieces of analysis - but without having to write complex queries. An example of these analysis capabilities is shown in Figure 2 where an historic tick data series is converted into a daily time series at different times of day, just as the market is closing. It can be seen how the volatility calculated at market close is much lower than that observed just a few minutes earlier.
This kind of intraday measurement of volatility and other measures such as correlation is proving increasingly important in the pricing and risk management of derivatives, and in the formulation of new trading ideas. Intraday Time Period Analysis - the example in Figure 2 shows how the behaviour of a market can vary substantially depending upon the time during the day that it is observed. Looking at this issue in more granular way, another chained query could be used to split a trading day into any number of time buckets and return values and calculations during each bucket.
Figure 2 - Volatility Measured as a Market Closes.
For example, it could return values for the open, high, low and close prices plus the number of points and average price for each ten minute period bucket applied to the intraday price history of a stock.
So what does high frequency data analysis require? Fundamentally, the current needs of the market translate into capturing, cleansing, storing and analysing ever more data, ever more quickly. Building on the above fundamental market requirement, it is evident that more analytical power needs to be put in the hands of the people who make trading and risk management decisions.
The productivity gains from such an approach are manifold, particular when they are based upon a foundation that also delivers automated data cleansing, centralisation and transparency to IT and compliance departments.
Data Accessibility - An Illustration.
Adicione sua empresa ao AlgoWorld.
Itens Populares.
Direitos autorais e cópia; Automated Trader Ltd 2017 - Estratégias | Conformidade | Tecnologia.

Journal of Financial Markets.
Digite seus detalhes de login abaixo. Se você ainda não possui uma conta, você precisa se registrar aqui.
Instruções do autor.
Links Úteis.
Verifique o papel enviado.
Devido à migração dos sistemas de submissão de artigos, verifique o status do manuscrito enviado no sistema relevante abaixo:
Verifique o status do seu manuscrito enviado no EVISE.
Acompanhe o papel aceito.
Uma vez que a produção do seu artigo tenha começado, você pode acompanhar o status do seu artigo através do artigo Track Your Accepted.
CiteScore: 2.44 ℹ O CiteScore mede as citações médias recebidas por documento publicado neste título. Os valores CiteScore são baseados em contagens de citações em um determinado ano (por exemplo, 2018) para documentos publicados em três anos civis anteriores (por exemplo, 2018-14), dividido pela quantidade de documentos nestes três anos anteriores (por exemplo, 2018-14). Mais sobre CiteScore Factor de Impacto: 1.134 ℹ Fator de Impacto:
O Fator de Impacto mede o número médio de citações recebidas em um determinado ano por artigos publicados na revista durante os dois anos anteriores.
2018 Journal Citation Reports (Clarivate Analytics, 2017) 5-Year Impact Factor: 2.170 ℹ Five-Year Impact Factor:
Para calcular o fator de impacto de cinco anos, as citações são contadas em 2018 aos cinco anos anteriores e divididas pelos itens de origem publicados nos cinco anos anteriores.
2018 Journal Citation Reports (Clarivate Analytics, 2017) Source Normalized Impact per Paper (SNIP): 2.110 ℹ Source Normalized Impact per Paper (SNIP):
O SNIP mede o impacto da citação contextual por ponderação de citações com base no número total de citações em um campo de assunto. SCIMago Journal Rank (SJR): 2,895 ℹ SCImago Journal Rank (SJR):
SJR é uma métrica de prestígio baseada na idéia de que nem todas as citações são as mesmas. O SJR usa um algoritmo similar ao da página da Google; Ele fornece uma medida quantitativa e qualitativa do impacto da revista. Veja mais sobre Journal Insights.
Os AudioSlides são apresentações curtas e de 5 minutos em que o autor explica o seu artigo em suas próprias palavras.
Este aplicativo permite que os leitores explorem dados e outros resultados quantitativos apresentados com o artigo, fornecendo informações e acesso a dados que foram enterrados em parcelas.
Estatísticas do autor ℹ Estatísticas do autor:
Publicar seu artigo conosco tem muitos benefícios, como ter acesso a um painel pessoal: dados de citação e uso em suas publicações em um só lugar. Este serviço gratuito está disponível para qualquer pessoa que tenha publicado e cuja publicação esteja na Scopus. Serviço de publicação do campus do campus Experimente recursos de alerta personalizados.
O Journal of Financial Markets publica pesquisas originais de alta qualidade sobre questões aplicadas e teóricas relacionadas à negociação e aos preços de títulos. A área de cobertura inclui a análise e o design de mecanismos de negociação, estratégias ótimas de colocação de pedidos, o papel da informação nos mercados de valores mobiliários.
O Journal of Financial Markets publica pesquisas originais de alta qualidade sobre questões aplicadas e teóricas relacionadas à negociação e aos preços de títulos. Area of coverage includes the analysis and design of trading mechanisms , optimal order placement strategies, the role of information in securities markets , financial intermediation as it relates to securities investments - for example, the structure of brokerage and mutual fund industries, and analyses of short and long run horizon price behaviour. O jornal procura manter um equilíbrio entre o trabalho teórico e empírico, e tem como objetivo fornecer revisões rápidas e construtivas aos apresentadores de papel.
Benefícios para os autores.
Nós também fornecemos muitos benefícios de autor, como PDF grátis, uma política de direitos autorais liberal, descontos especiais nas publicações de Elsevier e muito mais. Clique aqui para obter mais informações sobre os serviços do autor.
Por favor, consulte o nosso Guia de Autores para obter informações sobre a submissão de artigos. Se você precisar de mais informações ou ajuda, visite nosso Centro de Suporte.
Illiquidity and stock returns: cross-section and time-series effects Yakov Amihud High frequency trading and the new market makers Albert J. Menkveld The relationship between equity and bond returns: An empirical investigation Amer Demirovic | Cherif Guermat | . Ver todos os artigos.
A exposição à concorrência estrangeira afeta a liquidez das ações? Evidência de dados de importação no setor Nader Atawnah | Balasingham Balachandran | . Fluxos de fundos de investimento e de fundos próprios de capital próprio Srinivasan Krishnamurthy | Denis Pelletier | . Descobrindo o impacto da incerteza regulatória sobre os spreads de crédito: um estudo sobre a experiência dos títulos cobertos nos EUA Karan Bhanot | Carl F. Larsson Ver todos os artigos.
Low-latency trading Joel Hasbrouck | Gideon Saar High frequency trading and the new market makers Albert J. Menkveld Optimal trading strategy and supply/demand dynamics Anna A. Obizhaeva | Jiang Wang View All Articles.
Ao perseguir o infractor dói a vítima: o caso da legislação de insider Stefan Palan | Thomas Stöckl Explota dominância estocástica para gerar retornos anormais das ações Ephraim Clark | Konstantinos Kassimatis Ver todos os artigos.
Illiquidity and stock returns: cross-section and time-series effects Yakov Amihud High frequency trading and the new market makers Albert J. Menkveld The relationship between equity and bond returns: An empirical investigation Amer Demirovic | Cherif Guermat | . Ver todos os artigos.
A exposição à concorrência estrangeira afeta a liquidez das ações? Evidência de dados de importação no setor Nader Atawnah | Balasingham Balachandran | . Fluxos de fundos de investimento e de fundos próprios de capital próprio Srinivasan Krishnamurthy | Denis Pelletier | . Descobrindo o impacto da incerteza regulatória sobre os spreads de crédito: um estudo sobre a experiência dos títulos cobertos nos EUA Karan Bhanot | Carl F. Larsson Ver todos os artigos.
Low-latency trading Joel Hasbrouck | Gideon Saar High frequency trading and the new market makers Albert J. Menkveld Optimal trading strategy and supply/demand dynamics Anna A. Obizhaeva | Jiang Wang View All Articles.
Ao perseguir o infractor dói a vítima: o caso da legislação de insider Stefan Palan | Thomas Stöckl Explota dominância estocástica para gerar retornos anormais das ações Ephraim Clark | Konstantinos Kassimatis Ver todos os artigos.
Esta revista agora está em parceria com a Heliyon, uma revista de acesso aberto da Elsevier que publica pesquisas de qualidade revisadas por pares em todas as disciplinas. Os periódicos parceiros fornecem aos autores uma rota fácil para transferir suas pesquisas para a Heliyon.
Os autores enviando seu artigo de pesquisa para esta revista são encorajados a depositar dados de pesquisa em um repositório de dados relevante e citar e vincular a este conjunto de dados em seu artigo. Se isso não for possível, os autores são encorajados a fazer uma declaração explicando por que os dados da pesquisa não podem ser compartilhados. Existem várias maneiras de compartilhar seus dados quando você publica com o Elsevier, o que ajuda você a obter crédito pelo seu trabalho e tornar seus dados acessíveis e descobrissíveis para seus colegas. Saiba mais no Guia de Autores.
High-Frequency Trading Tarun Chordia | Gideon Saar | . Ver tudo.
Journal of Financial Markets.
Copyright © 2017 Elsevier B. V.
Os cookies são usados ​​por este site. Para recusar ou aprender mais, visite nossa página Cookies.