استراتيجيات التداول المقالات العلمية

مقالات عن تداول الخيارات.
خيارات والعقود الآجلة أسئلة وأجوبة:
العقود الآجلة والعقود الآجلة هي أدوات مشتقات مشابهة جدا ولكنها تختلف في بعض النواحي. [انقر للمتابعة. ]
الأسهم الخيار المشورة:
خيارات التداول اليوم يمكن أن تكون استراتيجية ناجحة ومربحة ولكن هناك بضعة أشياء تحتاج إلى معرفته قبل استخدام بدء استخدام خيارات التداول اليوم. [انقر للمتابعة. ]
المفاهيم المتقدمة:
تعرف على نسبة الدعوة وضع، والطريقة التي يتم اشتقاقها وكيف يمكن استخدامها كمؤشر مناقضة. [انقر للمتابعة. ]
المفاهيم المتقدمة:
ويعتبر التكافؤ في الدعوى مبدأ مهما في تسعير الخيارات التي حددها هانز ستول في ورقته "العلاقة بين أسعار البيع والمكالمات" في عام 1969. وهو ينص على أن قسط خيار المكالمة ينطوي على سعر عادل معين للخيار المقابل مع وجود نفس سعر الإضراب وتاريخ انتهاء الصلاحية، والعكس بالعكس. [انقر للمتابعة. ]
المفاهيم المتقدمة:
في خيارات التداول، قد تلاحظ استخدام بعض الحروف الهجائية اليونانية مثل دلتا أو غاما عند وصف المخاطر المرتبطة بمواقف مختلفة. وهي تعرف باسم "الجريكس". [انقر للمتابعة. ]
استراتيجية الخيارات:
كبديل لكتابة المكالمات المغطاة، يمكن للمرء أن يدخل انتشار المكالمة الثورية للحصول على احتمال ربح مماثل ولكن مع متطلبات رأس المال أقل بكثير. بدلا من عقد الأسهم الأساسية في استراتيجية الدعوة المغطاة، والبديل. [انقر للمتابعة. ]
استثمار الأسهم 101:
وبما أن قيمة خيارات الأسهم تعتمد على سعر المخزون الأساسي، فمن المفيد حساب القيمة العادلة للسهم باستخدام تقنية تعرف بالتدفقات النقدية المخصومة. [انقر للمتابعة. ]
استراتيجية الخيارات:
إذا كنت تستثمر أسلوب بيتر لينش، في محاولة للتنبؤ بالعديد من البكرات التالية، فأنت تريد معرفة المزيد عن LEPS® ولماذا أعتبرها خيارا رائعا للاستثمار في Microsoft® التالي. [انقر للمتابعة. ]
خيارات التداول:
إن توزيعات األرباح النقدية الصادرة عن األسهم لها تأثير كبير على أسعار خياراتها. وذلك لأن سعر السهم الأساسي من المتوقع أن ينخفض ​​بمقدار توزيعات الأرباح في تاريخ توزيعات الأرباح السابقة. [انقر للمتابعة. ]
استراتيجية الخيارات:
بعض الأسهم تدفع أرباحا سخية كل ثلاثة أشهر. أنت مؤهل للحصول على توزيعات الأرباح إذا كنت تملك على الأسهم قبل تاريخ توزيع الأرباح السابقة. [انقر للمتابعة. ]
استراتيجية الخيارات:
لتحقيق عوائد أعلى في سوق الأسهم، إلى جانب القيام بالمزيد من الواجبات المنزلية على الشركات التي ترغب في شراء، فإنه غالبا ما يكون من الضروري أن تأخذ على مخاطر عالية. الطريقة الأكثر شيوعا للقيام بذلك هي شراء الأسهم على الهامش. [انقر للمتابعة. ]
استراتيجية الخيارات:
شراء سترادلز هو وسيلة رائعة للعب الأرباح. في كثير من الأحيان، فجوة سعر السهم صعودا أو هبوطا بعد تقرير الأرباح الفصلية ولكن في كثير من الأحيان، واتجاه الحركة يمكن أن يكون لا يمكن التنبؤ بها. فعلى سبيل المثال، يمكن أن يحدث بيع على الرغم من أن تقرير الأرباح جيد إذا كان المستثمرون يتوقعون نتائج عظيمة. [انقر للمتابعة. ]
استراتيجية الخيارات:
إذا كنت صعودي جدا على سهم معين على المدى الطويل، وتتطلع لشراء الأسهم ولكن يشعر أنه مبالغ فيها قليلا في الوقت الراهن، ثم قد ترغب في النظر في كتابة خيارات وضع على الأسهم كوسيلة للحصول عليها في خصم. [انقر للمتابعة. ]
ربما يعجبك أيضا.
أكمل القراءة.
شراء سترادلز في الأرباح.
شراء سترادلز هو وسيلة رائعة للعب الأرباح. في كثير من الأحيان، فجوة سعر السهم صعودا أو هبوطا بعد تقرير الأرباح الفصلية ولكن في كثير من الأحيان، واتجاه الحركة يمكن أن يكون لا يمكن التنبؤ بها. فعلى سبيل المثال، يمكن أن يحدث بيع على الرغم من أن تقرير الأرباح جيد إذا كان المستثمرون يتوقعون نتائج عظيمة. [واصل القراءة. ]
الكتابة يضع لشراء الأسهم.
إذا كنت صعودي جدا على سهم معين على المدى الطويل، وتتطلع لشراء الأسهم ولكن يشعر أنه مبالغ فيها قليلا في الوقت الراهن، ثم قد ترغب في النظر في كتابة خيارات وضع على الأسهم كوسيلة للحصول عليها في خصم. [واصل القراءة. ]
ما هي الخيارات الثنائية وكيفية تداولها؟
المعروف أيضا باسم الخيارات الرقمية، والخيارات الثنائية تنتمي إلى فئة خاصة من الخيارات الغريبة التي تتاجر الخيار تكهن بحتة على اتجاه الكامنة في غضون فترة قصيرة نسبيا من الزمن. [واصل القراءة. ]
الاستثمار في نمو الأسهم باستخدام خيارات LEPSPS®.
إذا كنت تستثمر أسلوب بيتر لينش، في محاولة للتنبؤ المقبل متعدد متعددة، ثم كنت ترغب في معرفة المزيد عن LEAPS® ولماذا أعتبرهم أن يكون خيارا رائعا للاستثمار في Microsoft®® المقبل. [واصل القراءة. ]
تأثير توزيعات الأرباح على تسعير الخيارات.
إن توزيعات األرباح النقدية الصادرة عن األسهم لها تأثير كبير على أسعار خياراتها. وذلك لأن سعر السهم الأساسي من المتوقع أن ينخفض ​​بمقدار توزيعات الأرباح في تاريخ توزيعات الأرباح السابقة. [واصل القراءة. ]
الثور دعوة انتشار: بديل للمكالمة المغطاة.
كبديل لكتابة المكالمات المغطاة، يمكن للمرء أن يدخل انتشار المكالمة الثورية للحصول على احتمال ربح مماثل ولكن مع متطلبات رأس المال أقل بكثير. بدلا من عقد الأسهم الأساسية في استراتيجية الدعوة المغطاة، والبديل. [واصل القراءة. ]
التقاط الأرباح باستخدام المكالمات المغطاة.
بعض الأسهم تدفع أرباحا سخية كل ثلاثة أشهر. أنت مؤهل للحصول على توزيعات الأرباح إذا كنت تملك على الأسهم قبل تاريخ توزيع الأرباح السابقة. [واصل القراءة. ]
الرافعة المالية باستخدام المكالمات، وليس المكالمات الهامش.
لتحقيق عوائد أعلى في سوق الأسهم، إلى جانب القيام بالمزيد من الواجبات المنزلية على الشركات التي ترغب في شراء، فإنه غالبا ما يكون من الضروري أن تأخذ على مخاطر عالية. الطريقة الأكثر شيوعا للقيام بذلك هي شراء الأسهم على الهامش. [واصل القراءة. ]
يوم التداول باستخدام خيارات.
خيارات التداول اليوم يمكن أن تكون استراتيجية ناجحة ومربحة ولكن هناك بضعة أشياء تحتاج إلى معرفته قبل استخدام بدء استخدام خيارات التداول اليوم. [واصل القراءة. ]
ما هو وضع نسبة المكالمات وكيفية استخدامها.
تعرف على نسبة الدعوة وضع، والطريقة التي يتم اشتقاقها وكيف يمكن استخدامها كمؤشر مناقضة. [واصل القراءة. ]
فهم التكافؤ في المكالمة.
ويعتبر التكافؤ في الدعوى مبدأ مهما في تسعير الخيارات التي حددها هانز ستول في ورقته "العلاقة بين أسعار البيع والمكالمات" في عام 1969. وهو ينص على أن قسط خيار المكالمة ينطوي على سعر عادل معين للخيار المقابل مع وجود نفس سعر الإضراب وتاريخ انتهاء الصلاحية، والعكس بالعكس. [واصل القراءة. ]
فهم الإغريق.
في خيارات التداول، قد تلاحظ استخدام بعض الحروف الهجائية اليونانية مثل دلتا أو غاما عند وصف المخاطر المرتبطة بمواقف مختلفة. وهي تعرف باسم "الجريكس". [واصل القراءة. ]
تقييم الأسهم العادية باستخدام تحليل التدفقات النقدية المخصومة.
وبما أن قيمة خيارات الأسهم تعتمد على سعر المخزون الأساسي، فمن المفيد حساب القيمة العادلة للسهم باستخدام تقنية تعرف بالتدفقات النقدية المخصومة. [واصل القراءة. ]
تابعنا في الفيسبوك للحصول على استراتيجيات اليومية & أمب؛ نصائح!
استراتيجيات الخيارات.
أساسيات الخيارات.
الباحث عن استراتيجيات الخيارات.
تحذير المخاطر: الأسهم والعقود الآجلة وتداول الخيارات الثنائية التي تمت مناقشتها على هذا الموقع يمكن اعتبار عمليات التداول عالية المخاطر وتنفيذها يمكن أن تكون محفوفة بالمخاطر جدا وقد يؤدي إلى خسائر كبيرة أو حتى في خسارة إجمالية لجميع الأموال على حسابك. يجب أن لا تخاطر أكثر مما كنت تتحمل أن تخسر. قبل اتخاذ قرار التجارة، تحتاج إلى التأكد من أنك تفهم المخاطر المعنية مع الأخذ بعين الاعتبار أهدافك الاستثمارية ومستوى الخبرة. يتم توفير المعلومات على هذا الموقع بدقة لأغراض إعلامية وتعليمية فقط وليس المقصود أن تكون خدمة توصية التداول. لن يكون ثيوبتيونسغويد مسؤولا عن أي أخطاء أو سهو أو تأخر في المحتوى، أو عن أي إجراءات تتخذ اعتمادا على ذلك.
المنتجات المالية التي تقدمها الشركة تحمل مستوى عال من المخاطر ويمكن أن يؤدي إلى فقدان كل ما تبذلونه من الأموال. يجب عليك أبدا استثمار المال الذي لا يمكن أن تخسره.

مجلة استراتيجيات الاستثمار.
أول نشر: ديسمبر 2018.
وتخصص مجلة استراتيجيات الاستثمار للمعالجة الصارمة لاستراتيجيات الاستثمار الحديثة؛ تتجاوز كثيرا النهج "التقليدية" في صكوكها ومنهجياتها. ومن خلال توفير تمثيل متوازن للأبحاث الأكاديمية والبحثية والبيعية، تشجع المجلة على تلخيص الأفكار بين الباحثين والممارسين، وتحقيق علاقة فريدة بين الأوساط الأكاديمية والصناعة من ناحية، والنماذج النظرية والتطبيقية على آخر.
تحتوي المجلة على أبحاث متعمقة وكذلك مقالات للمناقشة حول الموضوعات الفنية والسوقية، وتهدف إلى تزويد مجتمع الاستثمار العالمي ببحوث عملية ومتطورة من أجل فهم وتنفيذ استراتيجيات الاستثمار الحديثة.
مع التركيز على استراتيجيات الاستثمار المعاصرة الهامة والتقنيات والإدارة، وتنظر المجلة الأوراق في المجالات التالية:
الاستراتيجيات الأساسية: بما في ذلك الأساسية الأساسية، الأسهم الأساسية أو اختيار الائتمان القيمة النسبية الاستراتيجيات: تقدير والاستثمار في التقييم النسبي للأوراق المالية ذات الصلة، سواء الفانيليا والمشتقات استراتيجيات التكتيكية: استراتيجيات تقوم على التنبؤ، والاستثمار في أنماط سلوك السوق، مثل الزخم أو الانعكاس المتوسط، والاستراتيجيات التكتيكية لتخصيص الأصول. الاستراتيجيات المستندة إلى الحدث: الاستراتيجيات القائمة على توقعات احتمال أحداث تتحرك في السوق أو ردود فعل السوق على مثل هذه الأحداث استراتيجيات التداول الحسابية: نماذج من المجهرية السوق والسيولة وتأثير السوق وتنفيذ التجارة الخوارزمية واستراتيجيات صنع السوق استراتيجيات الاستثمار الرئيسية: الاستثمار استراتیجیات الأوراق المالیة غیر السائلة والملکیة الرئیسیة أو تمویل الأصول والشرکات الحقیقیة إدارة الحافظة وتخصیص الأصول: نماذج لتحسین المحفظة ومراقبة المخاطر وتوزیع الأداء وتخصیص الأصول القیاس الاقتصادي والأسالیب الإحصائیة: مع التطبیقات علی استراتیجیات الاستثمار.
وقد تم اختيار مجلة استراتيجيات الاستثمار للتغطية في مؤشر كليرفات أناليتيكش المصادر المصدر الاستشهاد.
كفاءة التداول في المحافظ الخاضعة للضريبة.
تحدد هذه الورقة استراتيجيات تداول دورة الحياة للمحافظ الخاضعة لنظام الضرائب الأمريكي.
تركيز المحفظة وعدوى سوق الأسهم: دليل على "الانتقال إلى الألفة" عبر طرق الفهرسة.
وتسلط هذه الورقة الضوء على تشابك مخططات ترجيح الفهرس.
الرافعة المالية وعدم اليقين.
من خلال توسيع معيار كيلي إلى نموذج احتمالي بسيط مع نتيجة إضافية لخطر الذيل المرتبطة بعدم اليقين، تبدو هذه الورقة خارجة عن المخاطر وتقيم مدى عدم اليقين الذي يقيد النفوذ الأمثل.
إستثمار دورة الحياة مع إستراتيجية أرباح الأسهم المربحة: المحاكاة والتحليل اللامبارامي.
وباستخدام المحاكاة، يظهر المؤلف أن الاستثمار في دورة الحياة الذي يتم تنفيذه على مخزونات عوائد أرباح عالية ومربحة للغاية (إستراتيجية عائد الأرباح المربحة) يوفر حلا جذريا لمشكلة دون المستوى الفرعي من خلال الاستفادة من ...
تعزيز قيمة المؤسسة من خلال خيارات التداول.
وتنظر هذه الورقة في مشكلة تعزيز النشاط الاستثماري عن طريق إضافة خيار التجارة بشكل منتظم إلى مزيج المحفظة وعرضت نتائج المؤشر السفلي الوحيد للمؤشر S & P 500، مع أن النشاط الأساسي هو إما طويل المؤشر أو ...
إطار عدم التيقن الكمي من أجل تحقيق نتائج الاختبار الخلفي لاستراتيجيات التداول.
في هذه الورقة، يقترح المؤلفون إطارا لتنفيذ استراتيجيات التداول وإعادة النظر فيها.
الاختبار الإحصائي لمؤشرات ديمارك الفنية على العقود الآجلة للسلع.
تبحث هذه الورقة أداء ثلاثة مؤشرات ديمارك أكثر من واحد وعشرون أسواق العقود الآجلة للسلع وعشر سنوات من البيانات اليومية.
صحة محركات باكتست.
في هذه الورقة، والكتاب توفير أدوات لاختبار صحة محركات باكتست للإعدادات مع إدخال واحد على الأكثر ومخرج واحد.
أسود ليترمان، بيتا الغريبة والمحافظ كفاءة مختلفة: نهج متكامل.
هذه الورقة يجلب بلاك ليترمان الأمثل، والبيتاس الغريبة والمحافظ بدءا مختلفة معا في إطار واحد كامل، التكافلي.
تعادل المخاطر الملحد: ترويض المجهول المعروفة وغير المعروفة.
وتقدم هذه الورقة منظورا جديدا لتخصيص الحافظة، الأمر الذي يتجنب أي تحسين صريح، ويأخذ بدلا من ذلك وجهة نظر التماثل.
مخاطر الترابط وإدارة المحافظ النشطة.
وتدرس هذه الورقة التدابير المركزية (مخاطر الترابط) وقيمتها المضافة في إطار تحسين المحفظة النشطة.
قيود المخاطر على تحسين المحفظة بتكلفة المعاملة الثابتة.
في هذه الورقة يبحث المؤلفون كيف تؤثر تكاليف المعاملات الثابتة على إعادة توازن المحفظة.
الاستثمار عبر فترات مع مسافات ماهالانوبيس.
يقترح المؤلفون إطارا تحليليا لقياس فرص الاستثمار وتخصيص المخاطر عبر الزمن على أساس المسافة ماهالانوبيس.
نماذج المخاطر اإلحصائية.
في هذه الورقة، المؤلفين تعطي خوارزميات كاملة وشفرة المصدر لبناء نماذج المخاطر الإحصائية.
فيما يتعلق بتحسين التعرض للمخاطر مع استراتيجيات متابعة الاتجاه في محافظ تراكب العملات.
تقترح هذه الورقة استخدام آلية التحسين في عملية بناء محفظة تراكب العملة.
أفضل استراتيجية لسعر الإغلاق: الخصائص والخصائص العملية.
يستمد واضعو هذه الورقة استراتيجية التداول المثلى التي تقيس سعر الإغلاق في إطار متوسط ​​التباين الأمثل.
رؤى في التحسين القوي: تتحلل إلى متوسط ​​التباين والمحافظ القائمة على المخاطر.
ويهدف مؤلفو هذه الورقة إلى إزالة الغموض عن المحافظ التي يتم اختيارها من خلال التحسين الأمثل من خلال النظر في الحد من المحافظ في حالات عدم اليقين الكبيرة والصغيرة في العوائد المتوسطة.
توزيع المخاطر على قدم المساواة مع تحمل والقيمة والزخم.
ويقوم مؤلفو هذه الورقة بتحليل محفظة متساوية الوزن من التعرض العالمي لعوامل الخطر عبر الأصول.
نماذج المخاطر متعددة العوامل و كابم متغاير.
مؤلفو هذه الورقة تعطي خوارزمية كاملة وشفرة المصدر لبناء نماذج المخاطر متعددة العوامل العامة عن طريق أي مزيج من العوامل النمط، المكونات الرئيسية و / أو عوامل الصناعة.
كسور استراتيجيات كيلي مع المخزونات منخفضة المخاطر.
تستخدم هذه الورقة إطار استراتيجيات كيلي الكسورية لإظهار أن المحافظ المثلى ذات الأسهم المنخفضة بيتا تولد ثروة متوسطة أعلى وخطر نقص في الأفق.
ترقيم الصفحات.
تصفح المجلات.
© إنفوبرو ديجيتال ريسك (إب) ليميتد، نشرت من قبل إنفوبرو ديجيتال ريسك ليميتد، هيماركيت هاوس، 28-29 هيماركيت، لندن SW1Y 4RX، هي شركات مسجلة في إنجلترا وويلز مع أرقام تسجيل الشركة 9232733 & أمب؛ 9232652.
الناشر الرقمي لهذا العام.
يجب تسجيل الدخول لاستخدام هذه الميزة. إذا لم يكن لديك حساب خطر، يرجى التسجيل للحصول على محاكمة.
أنت حاليا على دخول الشركات.
لاستخدام هذه الميزة سوف تحتاج إلى حساب فردي. إذا كان لديك واحد بالفعل يرجى تسجيل الدخول.
بدلا من ذلك يمكنك طلب حساب إندفيدوال هنا:

استراتيجيات التداول مقالات علمية
الانتماء: ديبارتيمنتو دي إكونوميا e إمبريزا، Universitá دي كاتانيا، كاتانيا، إيتالي.
أليساندرو بلوشينو.
الانتماءات: ديبارتيمنتو دي فيسيكا e أسترونوميا، ونيفرزيتي دي كاتانيا، كاتانيا، إيتالي، إنفن سيزيون دي كاتانيا، كاتانيا، إيتالي.
أندريا رابيساردا.
الانتماءات: ديبارتيمنتو دي فيسيكا e أسترونوميا، ونيفرزيتي دي كاتانيا، كاتانيا، إيتالي، إنفن سيزيون دي كاتانيا، كاتانيا، إيتالي.
ديرك هيلبينغ.
الانتماء: إيث زيورخ، زيورخ، سويسرا.
في هذه الورقة نستكشف الدور المحدد للعشوائية في الأسواق المالية، مستوحاة من الدور المفيد للضوضاء في العديد من النظم المادية والتطبيقات السابقة للنظم الاجتماعية والاقتصادية المعقدة. بعد مقدمة قصيرة، ندرس أداء بعض من استراتيجيات التداول الأكثر استخداما في التنبؤ ديناميات الأسواق المالية لمختلف مؤشرات البورصة الدولية، بهدف مقارنتها بأداء استراتيجية عشوائية تماما. في هذا الصدد، البيانات التاريخية ل فتس-أوك، فتس-ميب، داكس، و S & أمب؛ تؤخذ مؤشرات P500 في الاعتبار لفترة حوالي 15-20 سنة (منذ إنشائها حتى اليوم).
اقتباس: بيوندو إ، بلوشينو A، رابيساردا A، هلبينغ D (2018) هل استراتيجيات التداول العشوائي أكثر نجاحا من الآحاد الفنية؟ بلوس وان 8 (7): e68344. دوى: 10.1371 / journal. pone.0068344.
المحرر: أليخاندرو راؤول هرنانديز مونتويا، جامعة فيراكروزانا، المكسيك.
حقوق الطبع والنشر: © 2018 بيوندو إت آل. هذه مقالة مفتوحة الوصول موزعة وفقا لشروط ترخيص كريتيف كومونس أتريبوتيون والتي تسمح بالاستخدام غير المقيد والتوزيع والاستنساخ في أي وسيط، بشرط أن يقيد المؤلف الأصلي والمصدر الأصلي.
التمويل: ليس لدى المؤلفين أي دعم أو تمويل للإبلاغ.
تضارب المصالح: أعلن المؤلفون أنه لا توجد مصالح متنافسة.
المقدمة.
في الفيزياء، على حد سواء على المستوى الكلاسيكي والكمي، العديد من النظم الحقيقية تعمل بشكل جيد وأكثر كفاءة بسبب الدور المفيد للضوضاء ضعيفة عشوائية [1] - [6]. ولكن ليس فقط النظم الفيزيائية تستفيد من الاضطراب. في الواقع، الضجيج له تأثير كبير على ديناميات الخلايا والخلايا العصبية والكيانات البيولوجية الأخرى، ولكن أيضا على النظم الإيكولوجية والجيوفيزيائية والاجتماعية والاقتصادية. بعد هذا البحث، قمنا مؤخرا بالتحقيق في كيفية استراتيجيات عشوائية يمكن أن تساعد على تحسين كفاءة مجموعة هرمية من أجل مواجهة مبدأ بيتر [7] - [9] أو مؤسسة عامة مثل البرلمان [10]. وقد نجحت مجموعات أخرى في استكشاف استراتيجيات مماثلة في ألعاب الأقليات و باروندو [11]، [12]، في تقييم أداء الحافظة [13] وفي سياق المزاد المزدوج المستمر [14].
في الآونة الأخيرة ناقش طالب ببراعة في كتبه الناجحة [15]، [16] كيف الفرصة والبجعات السوداء تحكم حياتنا، ولكن أيضا الاقتصاد وسلوك السوق المالي وراء توقعاتنا الشخصية والعقلانية أو السيطرة عليها. في الواقع، العشوائية يدخل في حياتنا اليومية على الرغم من أننا بالكاد ندرك ذلك. لذلك، حتى من دون التشكيك بقدر طالب، يمكن للمرء أن يدعي بسهولة أننا غالبا ما يساء فهم الظواهر من حولنا، وتنخدع اتصالات واضحة التي هي فقط بسبب الحظية. فالنظم الاقتصادية تتأثر حتما بالتوقعات، سواء كانت حاضرة أو سابقة، لأن معتقدات العملاء تؤثر تأثيرا قويا على ديناميكياتها في المستقبل. وإذا ظهرت اليوم توقعات جيدة جدا بشأن أداء أي أمن، فإن الجميع سيحاول شرائه، وهذا يعني ضمنا زيادة في سعره. ثم غدا، سيكون سعر هذا الأمن أعلى من اليوم، وهذه الحقيقة ستكون مجرد نتيجة لتوقعات السوق نفسها. هذا الاعتماد العميق على التوقعات جعل الاقتصاديين الماليين في محاولة لبناء آليات للتنبؤ بأسعار الأصول في المستقبل. والهدف من هذه الدراسة هو بالتحديد التحقق مما إذا كانت هذه الآليات، التي سيتم وصفها بالتفصيل في الأقسام التالية، أكثر فعالية في التنبؤ بديناميكيات السوق مقارنة باستراتيجية عشوائية تماما.
في مقال سابق [17]، ودافع أيضا بعض التجارب المثيرة للاهتمام حيث تم استخدام طفل، الشمبانزي والسهام بنجاح للاستثمارات مجزية [18]، [19]، وجدنا بالفعل بعض الأدلة لصالح استراتيجيات عشوائية ل FTSE - سوق الأسهم في المملكة المتحدة. هنا سنقوم بتوسيع هذا التحقيق إلى الأسواق المالية الأخرى واستراتيجيات التداول الجديدة. ويتم تنظيم هذه الورقة على النحو التالي. ويقدم القسم 2 مقدمة موجزة للمناقشة حول إمكانية التنبؤ في الأسواق المالية. في القسم 3 نحن نقدم سلسلة من الوقت المالي النظر في دراستنا وإجراء تحليل متجذر في البحث عن الارتباطات المحتملة من نوع ما. في القسم 4 نحدد استراتيجيات التداول المستخدمة في المحاكاة لدينا بينما، في القسم 5، نناقش النتائج الرئيسية التي تم الحصول عليها. وأخيرا، في القسم 6، نستخلص استنتاجاتنا، مما يشير أيضا إلى بعض الآثار غير المتوقعة للسياسات.
التوقعات والتنبؤ في الأسواق المالية.
وكما أشار سايمون [20]، فإن الأفراد يتخذون قرارهم على أساس معرفة محدودة ببيئتهم وبالتالي يواجهون تكاليف بحث عالية للحصول على المعلومات اللازمة. ومع ذلك، عادة، فإنها لا يمكن جمع كل المعلومات التي ينبغي. لذلك، يعمل الوكلاء على أساس عقلانية محصورة، مما يؤدي إلى تحيزات كبيرة في تعظيم الاستفادة المتوقعة التي يسعون إليها. في المقابل، دافع فريدمان [21] عن نهج العقل الرشيد، الذي يعتبر أن سلوك العوامل يمكن وصفه على أفضل وجه بافتراض عقلانيته، لأن العوامل غير المنطقية لا تنجو من المنافسة في السوق ويتم إخراجها منه. ولذلك، لا يمكن استخدام التحيزات المنهجية في المنفعة المتوقعة، ولا العقلانية مقيدة لوصف سلوك وكلاء وتوقعاتهم.
دون أي خوف من التناقض، يمكن للمرء أن يقول أنه في الوقت الحاضر اثنين من النماذج المرجعية الرئيسية من التوقعات قد تم تأسيسها على نطاق واسع في الأدب الاقتصادي: نموذج توقعات التكيف ونموذج التوقع العقلاني. هنا لن نعطي أي تعريف رسمي لهذه النماذج. ولأغراضنا، يكفي أن نذكر مبرراتها. يعتمد نموذج التوقعات التكيفية على سلسلة مرجحة بطريقة ما من القيم المتخلفة (بحيث تكون القيمة المتوقعة للمتغير هي نتيجة لمزيج قيمه السابقة). وعلى النقيض من ذلك، يفترض نموذج التوقعات العقلانية أن جميع الوكلاء لديهم إمكانية الوصول إلى جميع المعلومات المتاحة، وبالتالي، يعرفون بالضبط النموذج الذي يصف النظام الاقتصادي (القيمة المتوقعة للمتغير هي التنبؤ الموضوعي الذي توفره النظرية). إن هذين النظريين يرجعان إلى مساهمات ذات صلة، نذكر منها فقط فريدمان [21]، [22]، فيلبس [23]، وكاجان [24] للتوقعات التكيفية (ومع ذلك تجدر الإشارة إلى أن مفهوم " التوقعات التكيفية "من قبل أرو و نيرلوف [25]). بالنسبة للتوقعات العقلانية نشير إلى موث [26]، لوكاس [27]، و سارجنت-والاس [28].
وكثيرا ما تؤخذ الأسواق المالية كمثال للديناميات المعقدة والتقلبات الخطيرة. وهذا يقترح بطريقة أو بأخرى فكرة عدم القدرة على التنبؤ. ومع ذلك، ونظرا للدور ذي الصلة لتلك الأسواق في النظام الاقتصادي، تم تطوير مجموعة واسعة من الأدبيات للحصول على بعض التنبؤات يمكن الاعتماد عليها. والواقع أن التنبؤ هو النقطة الرئيسية في الأسواق المالية. منذ فاما [29]، نقول أن السوق فعال إذا حدث التحكيم المثالي. وهذا يعني أن حالة عدم الكفاءة تعني وجود فرص للأرباح غير المستغلة، وبطبيعة الحال، فإن التجار سيعملون على الفور في مراكز طويلة أو قصيرة حتى يختفي أي احتمال آخر للربح. وينص جنسن [30] تحديدا على أن السوق تعتبر فعالة فيما يتعلق بمجموعة المعلومات إذا كان من المستحيل تحقيق الأرباح عن طريق التداول على أساس تلك المعلومات المحددة. ويتفق ذلك مع مالكيل [31]، الذي يقول إن السوق الفعال يعكس تماما جميع المعلومات في تحديد أسعار الأصول. وكما يستطيع القارئ فهمه بسهولة، فإن الجزء الأهم من هذا التعريف للكفاءة يعتمد على اكتمال مجموعة المعلومات. في الواقع، فاما [29] يميز ثلاثة أشكال من كفاءة السوق، وفقا لدرجة اكتمال المجموعة الإعلامية (وهي "ضعيفة"، "شبه قوية"، و "قوية"). وهكذا، فإن التجار والمحللين الماليين يسعون باستمرار إلى توسيع مجموعة المعلومات الخاصة بهم للحصول على فرصة لاختيار أفضل استراتيجية: هذه العملية تنطوي على وكلاء كثيرا في تقلبات الأسعار التي، في نهاية المطاف، يمكن للمرء أن يقول أن نشاطهم يتم تخفيض إلى تخمين منهجي. وعززت العولمة الكاملة للأسواق المالية هذه العملية، وفي نهاية المطاف، نشهد عقود من التقلب الشديد والتقلب الشديد.
وقد قال كينز، قبل سنوات عديدة، أن عقلانية العوامل وعلم النفس الجماعي (ما يسمى "الأرواح الحيوانية") لا ينبغي أن تفسر كما لو كانت نفس الشيء. وقدم المؤلف مثالا على مسابقة الجمال الشهيرة جدا لشرح المنطق تحت الأسواق المالية. وكتب في نظريته العامة [32] أن "الاستثمار القائم على توقعات حقيقية طويلة الأجل أمر صعب للغاية بحيث لا يكون ممكنا عمليا. ومن الذي يحاول أن يقود بالتأكيد أيام أكثر شاقة وأكثر بكثير من المخاطر الذي يحاول تخمين أفضل من الحشد كيف سيتصرف الحشد؛ وبإعطاء معلومات استخباراتية متساوية، فإنه قد يخطئ أخطاء أكثر خطورة. "وبعبارة أخرى، من أجل التنبؤ بالفائز في مسابقة الجمال، يجب على المرء أن يحاول تفسير الجمال المفضل للجنة التحكيم، بدلا من الالتفات إلى المثل الأعلى للجمال الموضوعي. في الأسواق المالية هو بالضبط نفس الشيء. يبدو من المستحيل توقع أسعار الأسهم دون أخطاء. والسبب هو أنه لا يمكن لأي مستثمر أن يعرف مسبقا رأي "هيئة المحلفين"، أي كتلة واسعة الانتشار وغير متجانسة وكبيرة جدا من المستثمرين، مما يقلل من أي توقع محتمل لمجرد التخمين.
وعلى الرغم من اعتبارات من هذا القبيل، فإن ما يسمى بفرضية السوق الفعالة (التي تمثل خلفيتها النظرية الرئيسية نظرية التوقعات العقلانية)، تصف حالة الأسواق التنافسية تماما والعوامل المنطقية تماما، التي تمنح كل المعلومات المتاحة، الذين يختارون أفضل الاستراتيجيات ( وإلا فإن آلية المقاصة التنافسية ستضعها خارج السوق). هناك أدلة على أن هذا التفسير لآلية التحكيم الكاملة تعمل بشكل كامل ليست كافية لتحليل الأسواق المالية، على سبيل المثال: كوتلر إت آل. [33]، الذي يظهر أن تحركات الأسعار الكبيرة تحدث حتى عندما تكون المعلومات الجديدة قليلة أو معدومة؛ إنجل [34] الذي ذكر أن تقلب الأسعار يرتبط ارتباطا زمنيا بقوة؛ ماندلبروت [35]، [36]، لوكس [37]، مانتيغنا وستانلي [38] الذين يجادلون بأن تقلبات الأسعار قصيرة الأجل غير طبيعية؛ أو أخيرا وليس آخرا، كامبل وشيلر [39] الذين يفسرون أن الأسعار قد لا تعكس بدقة التقييمات العقلانية.
ومن المثير للاهتمام أن عددا كبيرا من نماذج العوامل غير المتجانسة قد تم إدخاله في مجال الأدبيات المالية. في هذه النماذج، تتعايش مجموعات مختلفة من التجار، مع توقعات مختلفة، تؤثر على بعضها البعض عن طريق عواقب سلوكياتهم. مرة أخرى، لا يمكن أن تكون مناقشاتنا شاملة هنا، ولكن يمكننا أن نذكر على نحو مثمر مساهمات بروك [40] و بروك و هومز [42] و تشياريلا [43] و تشياريلا و [44] و ديغرو إت آل . [45]، فرانكل وفروت [46]، لوكس [47]، وانغ [48]، وزيمان [49].
ويشير جزء من هذه الكتابات إلى النهج الذي يطلق عليه "نظم المعتقدات التكيفية"، الذي يحاول تطبيق اللاخطية والضوضاء على نماذج السوق المالية. إن عدم اليقين الجوهري حول الأساسيات الاقتصادية، جنبا إلى جنب مع الأخطاء وعدم التجانس، يؤدي إلى فكرة أنه بغض النظر عن القيمة الأساسية (أي القيمة الحالية المخصومة للتدفقات المتوقعة من الأرباح)، تتقلب أسعار الأسهم بشكل غير متوقع بسبب مراحل التفاؤل أو التشاؤم وفقا إلى المراحل المقابلة من الاتجاه الصعودي والاتجاه الهابط الذي يسبب أزمات في السوق. كيف يمكن إدارة هذا النوع من السلوك غير المنتظم من أجل تحسين استراتيجية الاستثمار؟ ولتوضيح الموقف المختلف جدا الذي يعتمده الوكلاء في اختيار الاستراتيجيات عند التداول في الأسواق المالية، يتم التمييز بين الأصوليين والرسامين. وتحدد التوقعات السابقة توقعاتها بشأن أسعار الأصول المستقبلية بناء على أساسيات السوق والعوامل الاقتصادية (أي متغيرات الاقتصاد الجزئي والكلوي، مثل الأرباح، والأرباح، والنمو الاقتصادي، ومعدلات البطالة، وما إلى ذلك). وعلى العكس من ذلك، تحاول الدول األخيرة استقراء الاتجاهات أو الخصائص ذات الصلة إحصائيا من سلسلة البيانات السابقة، من أجل التنبؤ بالمسارات المستقبلية لأسعار الأصول (المعروف أيضا باسم التحليل الفني).
وبالنظر إلى أن تفاعل هاتين المجموعتين من العوامل يحدد تطور السوق، نختار هنا للتركيز على سلوك المخططين (نظرا لأن التحليل النوعي لأساسيات الاقتصاد الكلي هو موضوعي تماما ويصعب تقييمه)، في محاولة لتقييم السابق للمستثمر الفردي - قدرة تنبؤية. على افتراض عدم وجود معلومات كاملة، العشوائية تلعب دورا رئيسيا، لأنه من المستحيل الوصول إلى الكفاءة. ويكتسي هذا الأمر أهمية خاصة من أجل التأكيد على أن نهجنا لا يعتمد على أي شكل من أشكال نموذج فرضيات الأسواق الفعالة المشار إليه أعلاه. وبشكل أدق، نحن نسعى للإجابة على السؤال التالي: إذا كان التاجر يفترض عدم وجود معلومات كاملة من خلال جميع الأسواق (أي عدم القدرة على التنبؤ بديناميات أسعار الأسهم [50] - [53])، استراتيجية التداول أداء، في المتوسط، كما جيدة استراتيجيات التداول المعروفة؟ وننتقل من الأدلة إلى أنه نظرا لأن كل وكيل يعتمد على مجموعة معلومات مختلفة من أجل بناء استراتيجياته التجارية، فإنه لا يمكن التذرع بأي آلية فعالة. بدلا من ذلك، شبكة معقدة من السلوك المؤثر ذاتيا، بسبب الدوران غير المتماثلة من المعلومات، ويطور صلاته ويولد سلوكيات القطيع لمتابعة بعض الإشارات التي يتم قبول مصداقيتها.
وتظهر الأزمات المالية أن الأسواق المالية ليست في مأمن من الفشل. إن نجاحهم الدوري ليس مجانيا: فالأحداث الكارثية تحرق قيم هائلة بالدولار والأنظمة الاقتصادية في خطر شديد. هل التجار على يقين من أن استراتيجيات مفصلة تناسب ديناميات الأسواق؟ سوف محاكاة بسيطة لدينا إجراء تحليل مقارن لأداء استراتيجيات التداول المختلفة: التجار لدينا سوف تضطر إلى التنبؤ، يوما بعد يوم، إذا كان السوق سوف ترتفع (الاتجاه "الصاعد") أو أسفل (الاتجاه "الهابط"). استراتيجيات اختبار هي: الزخم، ومؤشر القوة النسبية، و أوبد، و ماسد، واحد عشوائي تماما.
سوف يراهن نظريات التوقعات العقلانية على أن الاستراتيجية العشوائية ستفقد المنافسة لأنها لا تستفيد من أي معلومات، ولكن كما سنبين، نتائجنا مثيرة للدهشة تماما.
تحليل متسلسل للمسلسل الزمني للمؤشر.
ونحن نعتبر أربعة مؤشرات شعبية جدا من الأسواق المالية وعلى وجه الخصوص، ونحن تحليل السلاسل الزمنية المقابلة التالية، كما هو مبين في الشكل 1:
توسيع الشكل 1. التطور الزمني لأربعة مؤشرات هامة للأسواق المالية (مع مرور الوقت من 3714 إلى 5750 يوما).
من الأعلى إلى الأسفل، نعرض مؤشر فتس أوك آل-شير، ومؤشر فوتسي ميب آل-شير، ومؤشر داكس آل-شير، ومؤشر S & أمب؛ P 500. أنظر للنص لمزيد من التفاصيل.
بشكل عام، تم تحفيز إمكانية التنبؤ بسلسلة زمنية مالية نتيجة لإيجاد نوع من السلوك المستمر في بعضها [38]، [54]، [55]. والغرض الرئيسي من هذا القسم هو التحقيق في احتمال وجود علاقات متبادلة في السلسلة المالية الأربعة السابقة لسوق الأسهم الأوروبية والأمريكية جميع مؤشرات الأسهم. في هذا الصدد، سنقوم بحساب الأسير هورست التي تعتمد على الوقت باستخدام تقنية المتوسط ​​المتحرك (دما) [56]. دعونا نبدأ بملخص خوارزمية دما. ويستند الإجراء الحسابي إلى حساب الانحراف المعياري على طول سلسلة زمنية معينة تعرف بأنها.
حيث يتم حساب المتوسط ​​في كل نافذة زمنية من الحجم. من أجل تحديد أس هورست، يتم حساب الدالة لزيادة القيم داخل الفاصل الزمني، كونها طول السلسلة الزمنية، ويتم الإبلاغ عن القيم التي تم الحصول عليها كدالة على مؤامرة لوغ-لوغ. بشكل عام، يظهر الاعتماد على القانون السلطة مع الأس، أي.
على وجه الخصوص، إذا كان المرء لديه علاقة سلبية أو السلوك المضاد للاستمرار، في حين إذا كان واحد لديه ارتباط إيجابي أو السلوك المستمر. حالة يتوافق مع عملية براونية غير مترابطة. في حالتنا، كخطوة أولى، قمنا بحساب الأس هورست النظر في سلسلة كاملة. ويوضح هذا التحليل في المؤامرات الأربع من الشكل 2. وهنا تكشف خطي خطية لمخططات لوغ-لوغ أن جميع قيم مؤشر هورست H التي تم الحصول عليها بهذه الطريقة بالنسبة للمسلسلات الزمنية المدروسة هي في المتوسط ​​قريبة جدا إلى 0.5. ويبدو أن هذه النتيجة تشير إلى عدم وجود ارتباطات على جداول زمنية كبيرة والاتساق مع عملية عشوائية.
قم بتوسيع الشكل 2. تحليل متعمق لسلسلة الأسواق المالية الأربعة المبينة في الشكل 1.
ويسمح سلوك قانون الطاقة في الانحراف المعياري ل دما باستخلاص مؤشر هورست الذي يتذبذب في جميع الحالات الأربع حوالي 0.5، مما يشير إلى غياب الارتباطات في المتوسط ​​على مدى فترات زمنية كبيرة. انظر النص.
من ناحية أخرى، فمن المثير للاهتمام لحساب هورست الأس محليا في الوقت المناسب. من أجل إجراء هذا التحليل، ونحن نعتبر مجموعات فرعية من سلسلة كاملة عن طريق انزلاق النوافذ من الحجم، والتي تتحرك على طول سلسلة مع خطوة زمنية. وهذا يعني أنه، في كل مرة، نقوم بحساب داخل نافذة انزلاق عن طريق تغيير مع في مكافئ (1). وبالتالي، وبعد نفس الإجراء الموصوف أعلاه، يتم الحصول على سلسلة من قيم الأسير هيرست كدالة من الزمن. في الشكل 3 نعرض النتائج التي تم الحصول عليها للمعلمات،. في هذه الحالة، القيم التي تم الحصول عليها لأسير هورست تختلف كثيرا محليا من 0.5، مما يدل على وجود ارتباطات محلية كبيرة.
توسيع الشكل 3. اعتماد الوقت من مؤشر هيرست للسلاسل الأربع: على جداول زمنية أصغر، وجود ارتباطات كبيرة موجودة.
هذا التحقيق، والذي يتماشى مع ما تم العثور عليه سابقا في المرجع. [56] لمؤشر داكس، تشير إلى أن الارتباطات مهمة فقط على نطاق زمني محلي، في حين أنها تلغي المتوسط ​​على مدى فترات طويلة الأجل. كما سنرى في الأقسام التالية، وهذه الميزة تؤثر على أداء استراتيجيات التداول النظر فيها.
وصف استراتيجيات التداول.
في هذه الدراسة نعتبر خمس استراتيجيات تجارية محددة على النحو التالي:
استراتيجية عشوائية (رند) هذه الاستراتيجية هي أبسط واحد، لأن التاجر مراسل يجعل له / لها التنبؤ في الوقت تماما عشوائيا (مع توزيع موحد). استراتيجية الزخم (مام) تستند هذه الاستراتيجية إلى ما يسمى بمؤشر "الزخم"، أي الفرق بين القيمة والقيمة، حيث تكون فترة تداول معينة (بالأيام). ثم، إذا، التاجر يتوقع زيادة مؤشر إغلاق لليوم التالي (أي أنه يتوقع أن) والعكس بالعكس. في المحاكاة التالية سوف ننظر في أيام، لأن هذا هو واحد من الوقت الأكثر استخداما لمؤشر الزخم. انظر المرجع. [57]. مؤشر القوة النسبية (رسي) الاستراتيجية تستند هذه الاستراتيجية إلى مؤشر أكثر تعقيدا يسمى 'رسي'. وهو يعتبر مقياسا لقوة التداول الأخيرة للسهم وتعريفه هو: حيث هي النسبة بين مجموع العائدات الإيجابية ومجموع العوائد السلبية التي حدثت خلال الأيام الماضية من قبل. وبمجرد حساب مؤشر القوة النسبية لجميع الأيام المدرجة في نافذة زمنية معينة طولها قبل الوقت مباشرة، فإن التاجر الذي يتبع استراتيجية مؤشر القوة النسبية يجعل التنبؤ له على أساس احتمال عكس اتجاه السوق، التي كشف عنها ما يسمى ب "التباعد" بين السلسلة الزمنية الأصلية ومؤشر القوة النسبية الجديد واحد. ويمكن تعريف الاختلاف الذي يشير إلى المقارنة بين سلسلة البيانات الأصلية وسلسلة مؤشر القوة النسبية المتولدة، وهي الإشارة التجارية الأكثر أهمية التي يسلمها أي مؤشر على غرار مذبذب. وهذا هو الحال عندما يكون الاتجاه السائد بين اثنين من الاستبانة المحلية التي يظهرها مؤشر القوة النسبية موجها في الاتجاه المعاكس للاتجاه الكبير بين اثنين من إكستريما (في نفس الوقت تأخر) التي تظهر في السلسلة الأصلية. عندما ينحدر خط رسي بشكل مختلف عن خط السلسلة الأصلي، يحدث اختلاف. انظر إلى المثال في الشكل 4: اثنين من ماكسيما المحلية تتبع اتجاهين مختلفين المنحدرين معاكس. في الحالة الموضحة، يفسر المحلل هذا الاختلاف كتوقعات صعودية (حيث أن مؤشر القوة النسبية يتذبذب من السلسلة الأصلية: يبدأ في الزيادة عندما لا تزال السلسلة الأصلية تتناقص). في نموذجنا المبسط، فإن وجود مثل هذا الاختلاف يترجم إلى تغيير في التنبؤ بالعلامة، اعتمادا على الاتجاه الصاعد أو الهبوطي للأيام السابقة. في المحاكاة التالية سوف نختار أيام، منذ - مرة أخرى - هذه القيمة هي واحدة من الأكثر استخداما في استراتيجيات التداول الفعلي القائم على مؤشر القوة النسبية. انظر المرجع. [57]. استراتیجیة الاستمرارية لأعلى وأسفل (أوبد) ھذه الاستراتیجیة الحتمیة لا تأتي من التحلیل الفني. ومع ذلك، قررنا أن ننظر فيه لأنه يبدو أن يتبع السلوك البديل على ما يبدو بسيطة "صعودا وهبوطا" لسلسلة السوق أن أي مراقب يمكن أن نرى من النظرة الأولى. وتستند الاستراتيجية على قاعدة بسيطة جدا التالية: التنبؤ لسلوك السوق غدا هو عكس ما حدث في اليوم السابق. إذا كان، على سبيل المثال، واحد، والتوقع في الوقت المناسب للفترة سيكون صعودي:، والعكس بالعكس. إستراتيجية التقارب المتوسط ​​المتحرك (ماسد) إن سلسلة "ماسد" هي سلسلة مبنية عن طريق الفرق بين متوسطين متحركين أسيين (إما، من الآن فصاعدا) لسعر السوق، ويشار إلى نافذتين زمنيتين مختلفتين، واحدة أصغر وأخرى أكبر. في أي لحظة t،. على وجه الخصوص، الأول هو المتوسط ​​المتحرك الأسي لأكثر من اثني عشر يوما، في حين يشير الثاني إلى ستة وعشرين يوما. ويتم حساب هذه القيم إما على فترة زمنية محددة سلفا، x، بالنظر إلى وزن التناسب، بواسطة الصيغة العودية التالية: مع، حيث. وبمجرد حساب سلسلة الماكد، يتم الحصول على المتوسط ​​المتحرك الأسي لمدة 9 أيام، وأخيرا يمكن تحديد استراتيجية التداول لتنبؤ ديناميات السوق: التوقع للسوق صعودي (هبوطي) إذا (). انظر المرجع. [57]. قم بتوسيع الشكل 4. مثال على التباين رسي.
الاختلاف هو الاختلاف بين المؤشر (رسي) والسعر الأساسي. من خلال خطوط الاتجاه، والتحقق من المحقق أن المنحدرات من كلا السلسلة تتفق. وعندما يحدث الاختلاف، من المتوقع حدوث انعكاس للدينامية السعرية. في المثال يتوقع فترة صعودية.
نتائج المحاكاة التجريبية.
ولكل واحد من أربعة سلاسل زمنية مالية من الطول (بالأيام)، كان الهدف ببساطة التنبؤ، يوما بعد يوم، ولكل استراتيجية، والحركة التصاعدية (الصاعدة) أو الهبوطية (الهبوطية) للمؤشر في يوم معين مع فيما يتعلق بالقيمة الختامية قبل يوم واحد: إذا كان التنبؤ صحيحا، يفوز التاجر، وإلا فإنه / انها يفقد. في هذا الصدد، نحن مهتمون فقط بتقييم النسبة المئوية من الانتصارات التي تحققها كل استراتيجية، على افتراض أن - في كل مرة خطوة - التجار يعرفون تماما التاريخ الماضي للمؤشرات ولكن لا تملك أي معلومات أخرى، ولا يمكن أن تمارس أي تأثير على والسوق، ولا تتلقى أي معلومات عن التحركات المستقبلية.
In the following, we test the performance of the five strategies by dividing each of the four time series into a sequence of trading windows of equal size (in days) and evaluating the average percentage of wins for each strategy inside each window while the traders move along the series day by day, from to . This procedure, when applied for , allows us to explore the performance of the various strategies for several time scales (ranging, approximatively, from months to years).
The motivation behind this choice is connected to the fact that the time evolution of each index clearly alternates between calm and volatile periods, which at a finer resolution would reveal a further, self-similar, alternation of intermittent and regular behavior over smaller time scales, a characteristic feature of turbulent financial markets [35], [36], [38], [58]. Such a feature makes any long-term prediction of their behavior very difficult or even impossible with instruments of standard financial analysis. The point is that, due to the presence of correlations over small temporal scales (as confirmed by the analysis of the time dependent Hurst exponent in Fig. 3), one might expect that a given standard trading strategy, based on the past history of the indexes, could perform better than the others inside a given time window. But this could depend much more on chance than on the real effectiveness of the adopted algorithm. On the other hand, if on a very large temporal scale the financial market time evolution is an uncorrelated Brownian process (as indicated by the average Hurst exponent, which result to be around for all the financial time series considered), one might also expect that the performance of the standard trading strategies on a large time scale becomes comparable to random ones. In fact, this is exactly what we found as explained in the following.
In Figs. 5–8, we report the results of our simulations for the four stock indexes considered (FTSE-UK, FTSE-MIB, DAX, S & P 500). In each figure, from top to bottom, we plot: the market time series as a function of time; the correspondent ‘returns’ series, determined as the ratio ; the volatility of the returns, i. e. the variance of the previous series, calculated inside each window for increasing values of the trading window size (equal to, from left to right, , , and respectively); the average percentage of wins for the five trading strategies considered, calculated for the same four kinds of windows (the average is performed over all the windows in each configuration, considering different simulation runs inside each window); the corresponding standard deviations for the wins of the five strategies.
Expand Figure 5. Results for the FTSE-UK index series, divided into an increasing number of trading-windows of equal size (3,9,18,30), simulating different time scales.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
From top to bottom, we report the index time series, the corresponding returns time series, the volatility, the percentages of wins for the five strategies over all the windows and the corresponding standard deviations. The last two quantities are averaged over 10 different runs (events) inside each window.
Observing the last two panels in each figure, two main results are evident:
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.
شكر وتقدير.
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.
المراجع.
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. New York: Wiley. 21. Friedman M (1956) A Theory of the Consumption Function. Princeton, NJ: Princeton University Press. 22. Friedman M (1968) The Role of Monetary Policy. The American Economic Review 58(1): 1–17. 23. Phelps E (1967) Phillips Curve Expectations of Ination, and Output Unemployment Over Time. Economica 34(135): 254–281. 24. Cagan P (1956) The Monetary Dynamics of Hyperination. In Friedman M, editor. Studies in the Quantity Theory of Money. Chicago: University of Chicago Press. 25. Arrow KJ, Nerlove M (1958) A Note on Expectations and Stability. Econometrica 26: 297–305. 26. Muth JF (1961) Rational Expectation and the Theory of Price Movements. Econometrica 29: 315–335. 27. Lucas RE (1972) Expectations and the Neutrality of Money. Journal of Economic Theory 4: 103–124. 28. Sargent TJ, Wallace N (1975) Rational Expectations, the Optimal Monetary Instrument, and the Optimal Money Supply Rule. Journal of Political Economy 83(2): 241–254. 29. Fama EF (1970) Efficient Capital Markets: a Review of Theory and Empirical Work. Journal of Finance 25: 383–423. 30. Jensen M (1978) Some anomalous evidence regarding market efficiency. Journal of Financial Economics 6: 95–101. 31. Malkiel B (1992) Efficient market hypothesis. New Palgrave Dictionary of Money and Finance. London: Macmillan. 32. Keynes JM (1936) The General Theory of Unemployment, Interest, and Money. London: Macmillan. 157 p. 33. Cutler DM, Poterba JM, Summers LH (1989) What moves stock prices? Journal of Portfolio Management 15(3): 4–12. 34. Engle R (1982) Autoregressive conditional heteroscedasticity with estimates of the variance of UK ination, Econometrica. 50: 987–1008. 35. Mandelbrot BB (1963) The variation of certain speculative prices. Journal of Business 36: 394–419. 36. Mandelbrot BB (1997) Fractals and Scaling in Finance. New York: Springer. 37. Lux T (1996) The stable Paretian hypothesis and the frequency of large returns: an examination of major German stocks. Applied Financial Economics 6: 463–475. 38. Mantegna RN, Stanley HE (1996) Introduction to Econophysics: Correlations and Complexity in Finance. Cambridge: Cambridge University Press. 39. Campbell JY, Shiller R (1998) The Dividend-Price Ratio and Expectations of Future Dividends and Discount Factors. Review of Financial Studies 1: 195–227. 40. Brock WA (1993) Pathways to Randomness in the Economy: Emergent Non-Linearity and Chaos in Economics and Finance. Estudios Económicos 8: 3–55. 41. Brock WA (1997) Asset Prices Behavior in Complex Environments. In: Arthur WB, Durlauf SN, Lane DA, editors. The Economy as an Evolving Complex System II. Reading, MA: Addison-Wesley. 385–423 p. 42. Brock WA, Hommes CH (1997) A Rational Route to Randomness. Econometrica 65: 1059–1095. 43. Chiarella C (1992) The Dinamics of Speculative Behavior. Annals of Operations Research 37: 101–123. 44. Chiarella C, He T (2002) Heterogeneous Beliefs, Risk and Learning in a Simple Asset Pricing Model. Computational Economics - Special issue: Evolutionary processes in economics 19(1): 95–132. 45. DeGrauwe P, DeWachter H, Embrechts M, (1993) Exchange Rate Theory. Chaotic Models of Foreign Exchange Markets. Blackwell. 46. Frankel JA, Froot KA (1988) Chartists, Fundamentalists and the Demand for Dollars. Greek Economic Review 10: 49–102. 47. Lux T (1995) Herd Behavior, Bubbles and Crashes. The Economic Journal 105: 881–896. 48. Wang J (1994) A Model of Competitive Stock Trading Volume. Journal of Political Economy 102: 127–168. 49. Zeeman EC (1974) The Unstable Behavior of Stock Exchange. Journal of Mathematical Economics 1: 39–49. 50. Black F, Scholes M (1973) The Valuation of Options and Corporate Liabilities, Journal of Political Economy. 81: 637–654. 51. Merton RC (1973) Theory of Rational Option Pricing. Bell Journal of Economics and Management Science 4: 141–183. 52. Cox JC, Ingersoll JE, Ross SA (1985) A Theory of the Term Structure of Interest Rates, Econometrica. 53: 385–408. 53. Hull JC, White A (1987) The Pricing of Options on Assets with Stochastic Volatilities. Journal of Finance 42: 281–300. 54. Gabaix X, Gopikrishnan P, Plerou V, Stanley HE (2003) A theory of power-law distributions in financial market uctuations. Nature 423: 267–72. 55. Livan G, Inoue J, Scalas E (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. New York Institute of Finance. 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 & 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.
Add your Company to AlgoWorld.
Popular Items.
كوبيرايت & كوبي؛ Automated Trader Ltd 2017 - Strategies | Compliance | تقنية.

Journal of Financial Markets.
Enter your login details below. If you do not already have an account you will need to register here.
Author instructions.
روابط مفيدة.
Check submitted paper.
Due to migration of article submission systems, please check the status of your submitted manuscript in the relevant system below:
Check the status of your submitted manuscript in EVISE.
Track accepted paper.
Once production of your article has started, you can track the status of your article via Track Your Accepted Article.
CiteScore: 2.44 ℹ CiteScore measures the average citations received per document published in this title. CiteScore values are based on citation counts in a given year (e. g. 2018) to documents published in three previous calendar years (e. g. 2018 – 14), divided by the number of documents in these three previous years (e. g. 2018 – 14). More about CiteScore Impact Factor: 1.134 ℹ Impact Factor:
The Impact Factor measures the average number of citations received in a particular year by papers published in the journal during the two preceding years.
2018 Journal Citation Reports (Clarivate Analytics, 2017) 5-Year Impact Factor: 2.170 ℹ Five-Year Impact Factor:
To calculate the five year Impact Factor, citations are counted in 2018 to the previous five years and divided by the source items published in the previous five years.
2018 Journal Citation Reports (Clarivate Analytics, 2017) Source Normalized Impact per Paper (SNIP): 2.110 ℹ Source Normalized Impact per Paper (SNIP):
SNIP measures contextual citation impact by weighting citations based on the total number of citations in a subject field. SCImago Journal Rank (SJR): 2.895 ℹ SCImago Journal Rank (SJR):
SJR is a prestige metric based on the idea that not all citations are the same. SJR uses a similar algorithm as the Google page rank; it provides a quantitative and a qualitative measure of the journal’s impact. View More on Journal Insights.
AudioSlides are short, 5-minute presentations in which the author explains their paper in their own words.
This application lets readers explore data and other quantitative results submitted with the article, providing insights into and access to data that is otherwise buried in plots.
Author Stats ℹ Author Stats:
Publishing your article with us has many benefits, such as having access to a personal dashboard: citation and usage data on your publications in one place. This free service is available to anyone who has published and whose publication is in Scopus. Publishing Campus Author Services Try out personalized alert features.
The Journal of Financial Markets publishes high quality original research on applied and theoretical issues related to securities trading and pricing . Area of coverage includes the analysis and design of trading mechanisms , optimal order placement strategies, the role of information in securities markets .
The Journal of Financial Markets publishes high quality original research on applied and theoretical issues related to securities trading and pricing . 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. The journal strives to maintain a balance between theoretical and empirical work, and aims to provide prompt and constructive reviews to paper submitters.
Benefits to authors.
We also provide many author benefits, such as free PDFs, a liberal copyright policy, special discounts on Elsevier publications and much more. Please click here for more information on our author services.
Please see our Guide for Authors for information on article submission. If you require any further information or help, please visit our Support Center.
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 | . View All Articles.
Does exposure to foreign competition affect stock liquidity? Evidence from industry-level import data Nader Atawnah | Balasingham Balachandran | . Inflation and equity mutual fund flows Srinivasan Krishnamurthy | Denis Pelletier | . Uncovering the impact of regulatory uncertainty on credit spreads: A study of the U. S. covered bond experience Karan Bhanot | Carl F. Larsson View All Articles.
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.
When chasing the offender hurts the victim: The case of insider legislation Stefan Palan | Thomas Stöckl Exploiting stochastic dominance to generate abnormal stock returns Ephraim Clark | Konstantinos Kassimatis View All Articles.
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 | . View All Articles.
Does exposure to foreign competition affect stock liquidity? Evidence from industry-level import data Nader Atawnah | Balasingham Balachandran | . Inflation and equity mutual fund flows Srinivasan Krishnamurthy | Denis Pelletier | . Uncovering the impact of regulatory uncertainty on credit spreads: A study of the U. S. covered bond experience Karan Bhanot | Carl F. Larsson View All Articles.
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.
When chasing the offender hurts the victim: The case of insider legislation Stefan Palan | Thomas Stöckl Exploiting stochastic dominance to generate abnormal stock returns Ephraim Clark | Konstantinos Kassimatis View All Articles.
This journal is now partnering with Heliyon , an open access journal from Elsevier publishing quality peer reviewed research across all disciplines. Partner journals provide authors with an easy route to transfer their research to Heliyon.
Authors submitting their research article to this journal are encouraged to deposit research data in a relevant data repository and cite and link to this dataset in their article. If this is not possible, authors are encouraged to make a statement explaining why research data cannot be shared. There are several ways you can share your data when you publish with Elsevier, which help you get credit for your work and make your data accessible and discoverable for your peers. Find out more in the Guide for Authors.
High-Frequency Trading Tarun Chordia | Gideon Saar | . View All.
Journal of Financial Markets.
Copyright © 2017 Elsevier B. V.
يتم استخدام ملفات تعريف الارتباط بواسطة هذا الموقع. لرفض أو معرفة المزيد، انتقل إلى صفحة ملفات تعريف الارتباط.