₦ Fórum Airaland.
Estatísticas: 1,929,386 membros, 3,975,117 tópicos. Data: segunda-feira, 18 de dezembro de 2017 às 03:54.
Como fazer $ 50 - US $ 150 Daily TRADING RANDOM 75 INDEX - Negócios - Nairaland.
VOCÊ PERDIDO TODO O SEU CAPITAL TRADING random 75 index?
VOCÊ QUER COMERCIALIZAR índice aleatório 75 SUCESSO?
SE SUA RESPOSTA É SIM ENTÃO.
ESQUECE RÁPIDAMENTE PARA VISITAR O ENLACE ABAIXO PARA VER A REAL VIVA DE CONTA E INSTRUÇÕES SOBRE O QUE FAZER OU CHAMAR O NÚMERO DESLIGADO.
NÃO CONHEÇO COMO CONTAR LONGAS HISTÓRIAS MAS PARA A VISITA DE CONFIRMAÇÃO.
Também a nossa gestão de contas binárias ainda está em andamento, onde trocamos por você e você recebe retorno todas as semanas.
Disclaimer: Todo membro da Nairaland é o único responsável por qualquer coisa que ele / ela publica ou envie no Nairaland.
estratégias de negociação de índice aleatório
Note-se que esta estratégia será uma estratégia de treinamento ao vivo, você será mostrado de forma piraticamente como a estratégia funciona.
13 comentários:
Olá, admin! Obrigado por esta estratégia)) Envie-me isso no meu - staskovelgmail.
Oi senhor, eu quero saber mais sobre sua estratégia tato21.cqgmail.
Oi, envie-me a sua estratégia no cadanielfgmail.
Oi, envie-me a sua estratégia no cadanielfgmail.
Experimente estas pessoas Random Index 100 (termina fora - + 8,00, Time-2mins) Retorna-61%. perdas mínimas. se você perder apenas dobrar seu investimento 4 ur próximo comércio para recuperar.
Oi, envie-me sua estratégia no denik811gmail.
envie detalhes / estratégia para o ninety9codegmail.
Por favor, envie-me os detalhes mangleheadhotmail.
Envie o meu. Emiratatagmail.
O comércio é uma coisa boa. Perdí muito antes de eu chegar, se eu hoje. Se você precisa de ajuda sobre como negociar e recuperar o dinheiro que você me perdeu, obtenha uma nova estratégia incrível?
Se você está tendo problemas para retirar o seu fundo do seu corretor comercial Forex / binário, mesmo quando você recebeu um bônus, entre em contato comigo, eu trabalhei com um corretor binário há 7 anos, ajudei muitas pessoas e não parar até Eu ajudei o máximo possível, aqui está o meu endereço se você tiver um bônus que lhe foi dado e você deseja retirá-lo juanitajonathan44gmail.
VOCÊ PRECISA ASSISTÊNCIA? OU VOCÊ PRECISA DE UMA PESSOA BOM E CONFIATIVA QUE GERARÁ UMA CONTA DE CORRETOR PARA VOCÊ? EU POSSO AJUDAR-O A ADMINISTRAR A SUA CONTA PERFEITAMENTE COM A ESTRATÉGIA DA MESTRA CLASSE. Bem, se você ainda está interessado em recuperar tudo o que você perdeu no comércio binário e forex, se você ainda tem fé nas pessoas que estão prontas para ajudar e pronto para trabalhar duro para si mesmo no comércio binário. Com um investimento mínimo de US $ 1000 com certeza de obter um lucro de mais de $ 5000 em 7 dias, um investimento de $ 2000 com um lucro de mais de US $ 10000 em 7 dias, então acho que seria necessário para esse tipo de trabalho. Para melhor gerenciamento de contas , bons retornos de lucros e sem taxas iniciais, e também ensinando-lhe alguns melhores horários ao comércio, diferentes técnicas de negociação e estratégias de negociação. (atribuído 000gmail) Certamente vou ajudá-lo, e você ficará agradecido por você ter contatado.
A única razão pela qual você ainda não está fazendo lucros é que você ignora as mensagens nesses comentários. Eu postei sobre o Sr. michael alguns anos atrás e acabei de receber uma mensagem me dizendo que meu comentário no ano passado apenas melhorou sua vida. entre em contato com o Sr. michaeroland727 gmail. com.
Oi, & # 8230; & # 8230 ;. Oferta de troca de opções binárias !! Você é iniciante? Você perdeu antes? Você quer fazer grandes ganhos, como eu fiz? Você quer recuperar todos os fundos perdidos de seu corretor que pensa que não pode recuperá-lo? Depois de perder tanto, tive que trocar minhas estratégias graças ao Sr. Michael ROLLAND, um mentor e um pai do comércio de Forex e binário, que me ajudou a recuperar todos os meus fundos perdidos e também me ajudou com uma boa estratégia e software que estou usando agora graças Por sua ajuda, Deus possa abençoar você e sua família por sua ajuda. Você também pode se sentir livre para contatá-lo por sua ajuda e apoio, se você estiver passando por qualquer dificuldade e dificuldade no comércio binário e Forex via michaelroland727 gmail. com.
estratégias de negociação de índice aleatório
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 (2013) 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: © 2013 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 de 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:
The average percentages of wins for the five strategies are always comparable and oscillate around , with small random differences which depend on the financial index considered. The performance of of wins for all the strategies may seem paradoxical, but it depends on the averaging procedure over all the windows along each time series. In Fig. 9 we show, for comparison, the behavior of the various strategies for the four financial indexes considered and for the case (the score in each window is averaged over different events): as one can see, within a given trading window each single strategy may randomly perform much better or worse than , but on average the global performance of the different strategies is very similar. Moreover, referring again to Figs. 5–8, it is worth to notice that the strategy with the highest average percentage of wins (for most of the windows configurations) changes from one index to another one: for FTSE-UK, the MOM strategy seems to have a little advantage; for FTSE-MIB, the UPD seems to be the best one; for DAX, the RSI, and for the S & P 500, the UPD performs slightly better than the others. 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 (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. 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 (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 & amp; 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.
HERE IS HOW I PERSONALLY EARN A MASSIVE DAILY INCOME TRADING "RANDOM INDEX" ON BETONMARKETS:
It is a statistical admeasurement of change in an abridgement or balance market. In case of banking markets, an basis is an abstract portfolio of balance apery a accurate bazaar or a allocation of it.
Random index 25.
Random index 50.
Random index 75.
German basis etc.
Making money with accidental basis is bent by the armament of bodies trading it. If added bodies are trading accidental basis 25, for example, to RISE, so shall it be. And if, added bodies are trading to FALL, so shall it be, as well. It is about bent by the armament of traders. You chase the peoples direction.
If you are application two systems, acceptable for you but if you accept alone one, still acceptable for you.
What you charge to do, login to your binary capital annual application an ip proxy, and again use your accustomed ip to accessible addition one, this time, do not login.
Random index 50 fall.
Random index 50 fall.
Random index 50 rise.
Random index 25 rise.
the archetype above, accidental random index 50 occurred more, and the abatement appeared more, so what do you do, you go for accidental random index 50 fall.
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 (2013) 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: © 2013 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 de 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:
The average percentages of wins for the five strategies are always comparable and oscillate around , with small random differences which depend on the financial index considered. The performance of of wins for all the strategies may seem paradoxical, but it depends on the averaging procedure over all the windows along each time series. In Fig. 9 we show, for comparison, the behavior of the various strategies for the four financial indexes considered and for the case (the score in each window is averaged over different events): as one can see, within a given trading window each single strategy may randomly perform much better or worse than , but on average the global performance of the different strategies is very similar. Moreover, referring again to Figs. 5–8, it is worth to notice that the strategy with the highest average percentage of wins (for most of the windows configurations) changes from one index to another one: for FTSE-UK, the MOM strategy seems to have a little advantage; for FTSE-MIB, the UPD seems to be the best one; for DAX, the RSI, and for the S & P 500, the UPD performs slightly better than the others. 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 (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. 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 (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 & amp; 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.
HERE IS HOW I PERSONALLY EARN A MASSIVE DAILY INCOME TRADING "RANDOM INDEX" ON BETONMARKETS:
It is a statistical admeasurement of change in an abridgement or balance market. In case of banking markets, an basis is an abstract portfolio of balance apery a accurate bazaar or a allocation of it.
Random index 25.
Random index 50.
Random index 75.
German basis etc.
Making money with accidental basis is bent by the armament of bodies trading it. If added bodies are trading accidental basis 25, for example, to RISE, so shall it be. And if, added bodies are trading to FALL, so shall it be, as well. It is about bent by the armament of traders. You chase the peoples direction.
If you are application two systems, acceptable for you but if you accept alone one, still acceptable for you.
What you charge to do, login to your binary capital annual application an ip proxy, and again use your accustomed ip to accessible addition one, this time, do not login.
Random index 50 fall.
Random index 50 fall.
Random index 50 rise.
Random index 25 rise.
the archetype above, accidental random index 50 occurred more, and the abatement appeared more, so what do you do, you go for accidental random index 50 fall.
Комментариев нет:
Отправить комментарий