거래 전략 저널

트레이딩 저널을 쉽게 유지하는 방법 (이유)
어쩌면 거래 일지에 대해 들어 본 적이있을 것입니다. 거래자가 하루 종일 자신의 거래와 생각을 추적하는 곳입니다. 철저한 거래 일지에는 중개인 명세서에서 볼 수있는 것 이상의 세부 정보가 포함되어있어 훌륭한 거래 도구입니다. 그것은 당신이 아프거나, 시장 상황이 어떠했는지, 정신이 산만 해 졌거나 실수를했는지 (당신이하지 못했던 돈을 벌거나 잃어 버렸습니다)를 포함합니다.
또한 하루 종일 거래 할 때 발생할 수있는 전략 아이디어를 기록 할 수있는 곳입니다.
그것에 대해 의문의 여지없이, 모든 거래자는 거래 일지를 유지해야합니다. 그러나 하루 종일 상인들은 하루 종일 종이에 자신들의 용기를 쏟을 시간이 없다. 실제로, 거래가 일어나는 동안 거래 일지를 유지하는 것은 실제로 비생산적 일 수 있습니다. 거래를 놓치고 제대로 거래하는 것보다 저널링에 더 집중할 수 있습니다!
쉬운 해결책은 다음과 같습니다. 필기는 절대적으로 필요하지 않으며 특정 날짜에 직면 한 정확한 시장 상황에 대한 역사적인 기록을 제공합니다.
거래 일지를 지키는 방법. 쉬운 길.
그림이 천 단어를 말해 줍니까? 완벽한 그림을 사용합시다. 어떤 시장 상황이 어떠했는지, 실수가 있었는지, 잘된 일, 그리고 우리가 가진 새로운 전략 아이디어를 쓰는 대신 거래일에 대한 일부 입력 된 주석이있는 스크린 샷을 찍습니다.
대부분의 거래자는 하루 종일 자신의 차트를 표시하고 추세선을 결정하고 가능한 반전 / 목표 지점을 찾는 데 도움이되는 그림 선과 마킹 표시기 수준을 표시합니다. 차트는 거래되는 정확한 시장 상황을 보여줍니다. 우리의 일중 분석 (선과 지표를 통해)은 우리가 그날 시장을 어떻게 인식하고 있는지를 보여줍니다. 무역 일기의 어떤 단어도 절대로 묘사 할 수 없었습니다.
사진은 거래 저널을 쉽게 유지할 수있는 방법이지만 재검토 (검토를 위해 거래를 개선 할 수 있도록) 할 때 유용하게 사용하려면 특정 사항을 포함시켜야합니다.
트레이딩 저널 사진 - 차트 표시 방법.
나중에 참조 할 때 유용하게 사용할 수 있도록 차트를 마크 업하기위한 기본 지침은 다음과 같습니다.
거래를 시작하기 전에 약간의 가격 조치 (1 ~ 2 시간)를 포함 시키십시오. 이것은 거래를 시작할 때 일어났던 일에 대한 컨텍스트를 제공합니다. 해당되는 경우 시작 전 단지 몇 시간, 시작하기 불과 몇 시간 전의 가격 조치를 포함 할 필요가 없습니다 (시작하기 전에 조치를 취하지 않아도 걱정할 필요가 없습니다). 이 주제에 대한 자세한 내용은 주간 주식 시장을 볼 시간 프레임을 참조하십시오. 차트에 수직선 또는 텍스트 노트로 시작 시간을 표시하십시오. 이것은 당신이 일찍 또는 늦게 거래를 시작했는지 그리고 / 또는 왜 일찍 거래 신호를 놓쳤을 지 알 수있게합니다. 당신이 옆으로 발걸음을 옮길 주요 경제 사건의 시간을 적어보십시오. 그 시간이 다가 왔을 때 뉴스로 인해 거래하지 않았다는 것을 다시 한번 메모하십시오. 하루 종일 알아 차리는 경향에 대해 텍스트 노트를 만들고 시장 조건에 대해 의견을 말하십시오. 오류가 발생하면 기록해 두십시오. 무역을 놓친 경우, 기록해 두십시오. 최대한 많은 추세선과 그림을 차트에 유지합니다 (자신을 혼란스럽게하지는 않는다고 가정). 그들은 당신이 미래에 어떤 순간에 실시간으로 시장을 보았는지를 보여줍니다. 간단히 교역하고 혼란을 줄이는 5 가지 사항을보십시오. 주식, 외환 또는 선물 시장을 거래하는 경우 엔 센트, 포인트 또는 포인트로 이익과 함께 무역 수준 (출입국)을 표시하십시오. 수직선이나 텍스트 메모로 하루 거래를 중지하면 표시하십시오. 얼마나 많은 거래를했는지, 얼마나 많은 승자와 총 수익을 창출했는지, 얼마나 많은 패자와 거래 손실로 인한 손실인지, 순 결과 (총 이익에서 총 손실을 뺀 값)를 입력하십시오. 이상적으로는 달러 사용을 피하십시오. 대신, forex에 대한 pips, 주식에 대한 센트 또는 선물에 대한 틱 / 포인트를 사용하십시오. 예를 들어, ES 선물 거래를 거래하는 경우, 4 명의 승자에게 $ 400 - 4 명의 손실자가 $ 200 & # 61; 넷 & $ 200, 4 승자 8 점 - 4 패자 4 점 & # 61; 넷 & # 4; 4 포인트. 달러 크기는 위치 크기에 따라 변동하지만 포인트 / pips / 센트는 위치 크기에 관계없이 시간에 따라 비교할 수 있습니다.
부자 건축을 시작할 준비가 되었습니까? 조기 퇴직, 부채 해결 및 순자산 증가 방법을 배우려면 오늘 가입하십시오.
거래일이 끝나면 차트의 스크린 샷을 찍습니다 (차트를 클릭하고 Alt & # 43; PrtSc). 그런 다음 사진 편집기 (그림판, Irfanview 또는 Gimp와 같은 무료 아이콘 일 수 있음)에 저장합니다. 위의 모든 정보가 포함되어 있어야하며 지나치게 누르지 않아도됩니다. 계속 진행되는 모든 것을 볼 수 있기를 원합니다. If If 하나의 차트에서 모든 것을 볼 수없고 2 ~ 3 회 촬영하여 따로 저장할 수 있습니다.
매일을 month-day-year-screenshot # 형식으로 파일로 저장하십시오. 당일 스크린 샷이 하나만있는 경우 날짜가됩니다. 그러나 하루에 3 개의 스크린 샷이있는 경우 각 날짜는 1, 2, 3 등과 같이 날짜와 함께 저장됩니다.
바탕 화면에 거래 폴더를 만들고 매월 폴더를 만듭니다. 각 스크린 샷을 적절한 월 폴더에 넣으십시오.
트레이딩 저널을 쉬운 방법으로 유지하기 - 마지막 단어.
매일 거래의 스크린 샷을 찍어서 일지를 쓰는 것보다 훨씬 많은 정보를 수집합니다. 또한 물건을 쓰고 싶다면 차트에서 바로 할 수도 있고 서면으로 트레이딩 저널을 사용할 수도 있습니다. 이 일과에 부지런히 참여하여 기록한 모든 거래를 기록하십시오.
매주와 한 달이 끝날 때 돌아가서 자신이 한 일을보고 일반적인 문제를 발견하고 자신의 강점을 발견하십시오. 이러한 관찰은 강점을 활용하고 작업해야하는 분야를 강조하는 데 도움이 될 수 있습니다.

투자 전략 저널.
처음 게시 된 날짜 : 2012 년 12 월
Journal of Investment Strategies는 현대 투자 전략의 엄격한 처리에 전념하고 있습니다. 주제 악기와 방법론 모두에서 "고전적"접근법을 훨씬 넘어서고있다. 저널은 학술, 구매 측면 및 판매 측면 연구의 균형 잡힌 표현을 제공함에있어 연구자와 실무자간에 아이디어의 교차 수분을 촉진하고 한편으로는 학계와 산업의 독특한 연관성을 달성하고 이론 및 적용 모델을 다른.
이 저널에는 기술 연구 및 시장 주제에 대한 심층 연구 논문 및 토론 기사가 포함되어 있으며 현대 투자 전략을 이해하고 구현하기 위해 글로벌 투자 커뮤니티에 실용적이고 최첨단 연구를 제공하는 것을 목표로합니다.
중요한 현대 투자 전략, 기술 및 관리에 초점을 맞추어 저널은 다음 영역에 관한 논문을 고려합니다.
기본 전략 : 기본 매크로, 기본 주식 또는 신용 선택 포함 상대 가치 전략 : 바닐라 및 파생 상품 둘 다 관련 증권의 상대 평가에 대한 추정 및 투자 전술 전략 : 시장 행동 패턴 예측 및 투자에 기반한 전략, 모멘텀 또는 평균 리 버전 (mean reversion), 전술적 자산 배분 전략 등이있다. 이벤트 중심 전략 : 시장 이동 이벤트의 가능성에 대한 예측 또는 그러한 이벤트에 대한 시장 반응에 기반한 전략 알고리즘 트레이딩 전략 : 시장 미세 구조, 유동성 및 시장 영향 모델 및 알고리즘 거래 실행 및 시장 형성 전략 주요 투자 전략 : 투자 포트폴리오의 최적화, 위험 관리, 성과 배분 및 자산 배분을위한 모델 포트폴리오 관리 및 자산 배분 : 투자 전략에 대한 적용과 함께 계량 경제 및 통계 방법 :
Journal of Investment Strategies는 Clarivate Analytics Emerging Sources Citation Index의 적용 대상으로 선정되었습니다.
과세 대상 포트폴리오에서 효율적인 거래.
이 보고서는 미국 세금 시스템의 적용을받는 포트폴리오의 라이프 사이클 거래 전략을 결정합니다.
포트폴리오 집중 및 주식 시장 전염 : 색인 방법 전반에 걸친 "친숙 함으로의 비행"에 대한 증거.
이 논문은 색인 가중치 체계의 얽힘에 대해 밝힙니다.
레버리지와 불확실성.
이 논문은 불확실성과 관련된 추가적인 꼬리 위험 결과를 갖는 단순한 확률 모델로 켈리 기준을 확장함으로써 위험을 넘어서서 불확실성이 최적의 레버리지를 제약하는 방법을 평가합니다.
수익성있는 배당 수익률 전략에 투자하는 라이프 사이클 : 시뮬레이션 및 비모수 분석.
시뮬레이션을 사용하여 저자는 수익성이 높고 높은 배당 수익률 주식 (수익성이 높은 배당 수익률 전략)에 구현 된 라이프 사이클 투자가 하위 활용 문제에 대한 강력한 솔루션을 제공한다는 사실을 보여줍니다.
거래 옵션을 통한 기업 가치 향상.
이 백서에서는 포트폴리오 믹스에 옵션 거래를 정기적으로 추가하고 S & P 500 지수의 단일 언더 라이더에 대한 결과를 제시함으로써 투자 활동을 향상시키는 문제를 고려하고 있습니다.
거래 전략의 백 테스트 결과의 달성 가능성을위한 불확도 정량화 체계.
이 논문에서 저자는 거래 전략을 구현하고 백 테스팅하는 프레임 워크를 제안한다.
상품 선물에 대한 DeMark 기술 지표의 통계적 테스트.
이 신문은 21 개 상품 선물 시장 및 10 년간의 일일 데이터에 대한 3 개의 DeMark 지표의 성과를 조사합니다.
역 테스트 엔진의 정확성.
이 백서에서는 저자가 최대 하나의 진입 및 종료를 갖는 설정을위한 백 테스트 엔진의 정확성을 테스트하는 도구를 제공합니다.
블랙 - 리터 만 (Black-Litterman), 이색 베타 및 다양한 포트폴리오 : 통합 된 접근 방식.
이 백서는 Black-Litterman 최적화, 이색적인 베타 및 다양한 시작 포트폴리오를 하나의 완전한 공생 프레임 워크로 제공합니다.
불가 지 론적 위험 패리티 : 알려진 알려지지 않은 미지의 길들이기.
본 백서에서는 명시적인 최적화를 피하고 대신 대칭 관점을 취하는 포트폴리오 할당에 대한 새로운 관점을 제시합니다.
상호 연결 위험 및 적극적인 포트폴리오 관리.
이 백서에서는 활성 포트폴리오 최적화 프레임 워크에서 중심성 (상호 연관성 위험) 측정 및 그 부가가치에 대해 연구합니다.
고정 비용 거래 비용으로 포트폴리오 최적화에 대한 위험 제약.
이 논문에서 저자는 고정 수수료 거래 비용이 포트폴리오 재조정에 어떻게 영향을 미치는지 조사한다.
마할 라 노비스 거리에 걸쳐 투자하기.
저자들은 Mahalanobis 거리를 기반으로 투자 기회를 측정하고 시간에 따라 위험을 할당하는 분석 프레임 워크를 제안합니다.
통계적 위험 모델.
이 논문에서 저자는 통계적 위험 모델을 구성하기위한 완전한 알고리즘과 소스 코드를 제공합니다.
통화 오버레이 포트폴리오의 추세 추적 전략으로 위험 노출을 최적화하는 방법에 대해 알아보십시오.
이 논문에서는 통화 오버레이 포트폴리오 구축 프로세스에서 최적화 메커니즘을 사용하는 방법을 제안합니다.
최적의 종가 전략 : 특색과 실용성.
이 논문의 저자는 평균 분산 최적화 프레임 워크에서 종가를 벤치 마크하는 최적의 거래 전략을 유도합니다.
강력한 최적화에 대한 통찰력 : 평균 분산 및 위험 기반 포트폴리오로 분해.
이 보고서의 저자는 평균 수익의 크고 작은 불확실성의 경우 포트폴리오를 제한함으로써 견고한 최적화로 선택된 포트폴리오를 신비화 시키려합니다.
carry, value 및 momentum과 동일한 위험 배분.
이 백서의 저자들은 글로벌 교차 자산 등급 위험 요소 노출의 동일 가중 포트폴리오를 분석합니다.
다 요인 위험 모델 및 이종 CAPM.
이 백서의 저자는 스타일 요소, ​​주요 구성 요소 및 / 또는 산업 요소의 모든 조합을 통해 일반적인 다중 요인 위험 모델을 구성하기위한 완전한 알고리즘과 소스 코드를 제공합니다.
위험도가 낮은 주식을 사용한 소수 켈리 전략.
이 논문은 분수 형 켈리 전략 프레임 워크를 사용하여 저 베타 주식을 가진 최적 포트폴리오가보다 높은 부의 자산을 창출하고 내부 지평 부족 위험을 낮춘다는 것을 보여줍니다.
쪽수 매기기.
저널 찾아보기.
© Infopro Digital Risk (IP) Limited, Infopro Digital Risk Limited, Haymarket House, 28-29 Haymarket, London SW1Y 4RX는 영국 및 웨일즈에 등록 된 회사로 등록 번호 9232733 & amp; 9232652.
올해의 디지털 출판사.
이 기능을 사용하려면 로그인해야합니다. 위험 관리 계정이없는 경우 평가판에 등록하십시오.
현재 회사에 액세스하고 있습니다.
이 기능을 사용하려면 개별 계정이 필요합니다. 이미 가지고 있다면 로그인하십시오.
또는 귀하는 여기에 개인 계좌를 요청할 수 있습니다 :

거래 전략 저널
소속 : 이태리 카타니아, 카타니아, 이코 레시아 디플레마 (Economist e Impresa).
Alessandro Pluchino.
소속 : Fisica e Astronomia, Catania Universita di Catania, Catania, Italy, 카타니아, 카타니아, 이탈리아의 정보.
Andrea Rapisarda.
소속 : Fisica e Astronomia, Catania Universita di Catania, Catania, Italy, 카타니아, 카타니아, 이탈리아의 정보.
더크 헬 빙.
소속 : ETH Zurich, 취리히, 스위스.
이 논문에서는 금융 시장에서의 무작위성의 특수한 역할에 대해 알아 봅니다. 많은 물리적 시스템과 복잡한 사회 경제적 시스템에 대한 이전의 어플리케이션에서 소음의 유익한 역할에 영감을 받았습니다. 짧은 소개 후, 우리는 완전히 다른 전략의 성과를 비교하기 위해 다른 국제 증권 거래 지수에 대한 금융 시장의 역학을 예측하는데 가장 많이 사용 된 거래 전략의 성과를 연구합니다. 이러한 관점에서 FTSE-UK, FTSE-MIB, DAX 및 S & P500 지수는 약 15 ~ 20 년 동안 고려됩니다 (오늘까지 작성한 이래로).
표창장 : Biondo AE, Pluchino A, Rapisarda A, Helbing D (2013) 무작위 매매 전략은 기술적 인 것보다 더 성공적입니까? PLoS ONE 8 (7) : e68344. doi : 10.1371 / journal. pone.0068344.
편집자 : Alejandro Raul Hernandez Montoya, 멕시코 베라 크루 자나 대학교.
저작권 : © 2013 Biondo 외. 이것은 크리에이티브 커먼즈 저작자 표시 라이센스 (Creative Commons Attribution License)의 조건에 따라 배포되는 개방형 액세스 아티클로 원작자와 소스가 공인 된 경우 모든 매체에서 무제한 사용, 배포 및 복제가 가능합니다.
기금 : 저자는보고 할 지원이나 기금을 제공하지 않습니다.
경쟁적 이해 관계 : 저자는 경쟁적 이해 관계가 존재하지 않는다고 선언했다.
소개.
고전적 및 양자적 수준의 물리학에서, 많은 실제 시스템이 무작위 약한 소음의 유용한 역할 때문에 정밀하고 효율적으로 작동합니다 [1] - [6]. 그러나 신체 시스템뿐만 아니라 장애로부터 이익을 얻습니다. 사실 소음은 세포, 뉴런 및 기타 생물학적 실체의 역 동성뿐만 아니라 생태학, 지구 물리학 적 및 사회 경제적 시스템에 큰 영향을 미칩니다. 이 연구에서 우리는 최근 Peter의 원리 [7] - [9] 또는 의회와 같은 공공 기관에 직면하기 위해 무작위 전략이 계층 적 그룹의 효율성을 향상시키는 데 어떻게 도움이되는지 조사했습니다. 다른 그룹은 소수 및 Parrondo 게임 [11], [12], 포트폴리오 성과 평가 [13], 연속 이중 경매 [14]와 유사한 전략을 성공적으로 연구했습니다.
최근에 Taleb은 기회와 검은 백조가 우리의 삶을 지배하는 방법과 우리의 개인적이고 합리적 인 기대 또는 통제를 넘어서는 경제 및 금융 시장 행동에 관한 그의 성공적인 저서 [15], [16]에서 훌륭하게 토론했습니다. 사실, 우리는 거의 인식하지 못하더라도 무작위성이 우리 일상 생활에 들어갑니다. 그러므로 탈레 브 (Taleb)만큼 회의론적인 태도를 취하지 않아도, 우리는 종종 우리 주변의 현상을 오해하고 우연에 의한 명백한 연관성에 속아 있다고 쉽게 주장 할 수 있습니다. 요원들의 신념은 미래의 역 동성에 크게 영향을 미치기 때문에 경제 시스템은 현재와 과거의 기대에 의해 불가피하게 영향을받습니다. 오늘날 보안에 대한 기대가 커지면 모든 사람들이 그것을 구매하려고 시도 할 것이고이 경우 그 가격은 인상 될 것입니다. 그런 다음, 내일이 보안은 오늘날보다 높게 책정되며, 이 사실은 단지 시장 기대 그 자체의 결과 일 것입니다. 이러한 기대에 대한 깊은 의존은 금융 경제학자들이 미래 자산 가격을 예측할 수있는 메커니즘을 구축하도록 만들었다. 이 연구의 목적은 다음 섹션에서 자세히 설명 될 이러한 메커니즘이 완전히 무작위적인 전략에 비해 시장 역학을 예측하는 데 더 효과적인지 여부를 정확하게 확인하는 것입니다.
유아, 침팬지 및 다트가 보상 투자에 성공적으로 사용 된 몇 가지 흥미로운 실험에 의해 동기 부여 된 이전 기사 [17]에서 우리는 이미 FTSE에 대한 무작위 전략에 찬성하는 몇 가지 증거를 발견했다. 영국 주식 시장입니다. 여기서 우리는이 조사를 다른 금융 시장과 새로운 거래 전략으로 확장 할 것입니다. 논문은 다음과 같이 구성됩니다. 2 절에서는 금융 시장의 예측 가능성에 대한 논쟁에 대해 간략하게 소개한다. 3 장에서는 연구에서 고려한 재정적 인 시계열을 소개하고 가능한 종류의 상관 관계를 찾기 위해 추세 분석을 수행합니다. 4 절에서는 우리의 시뮬레이션에서 사용 된 거래 전략을 정의하고, 5 절에서 얻은 주요 결과에 대해 논의한다. 마지막으로, 6 장에서 우리는 결론을 내리고, 직관에 어긋나는 정책적 함의를 제시한다.
금융 시장의 기대와 예측 가능성.
Simon [20]은 개인이 자신의 환경에 대한 지식이 부족하다는 근거로 의사 결정을 내리고 필요한 정보를 얻기 위해 높은 검색 비용에 직면한다는 지적을했습니다. 그러나 일반적으로 그들은 필요한 모든 정보를 수집 할 수 없습니다. 따라서 에이전트는 제한된 합리성을 기반으로 행동하므로 예상되는 유틸리티 최대화에 상당한 편향을 초래합니다. 대조적으로 Friedman [21]은 비 합리적인 에이전트가 시장에서의 경쟁에서 살아남지 않고 그로부터 추방되지 않기 때문에 에이전트의 행동이 합리성을 전제로하여 가장 잘 묘사 될 수 있다고 생각하는 합리적인 에이전트 접근법을 옹호했다. 따라서 기대 효용의 체계적 편향이나 경계 된 합리성을 사용하여 에이전트의 행동과 기대치를 설명 할 수는 없다.
모순에 대한 두려움없이 오늘날 경제학 문헌에서 기대의 두 가지 주요 모델, 즉 적응 기대 모델과 합리적 기대 모델이 널리 확립되었다고 말할 수있다. 여기서 우리는 이러한 패러다임에 대한 공식적인 정의를 제공하지 않을 것입니다. 우리의 목적을 위해서, 그것들의 이론적 근거를 상기시키는 것으로 충분하다. 적응 기대 모델은 어떻게 든 가중치가있는 일련의 역행 (backward-looking) 값을 기반으로합니다 (따라서 변수의 기대 값은 과거 값의 조합의 결과입니다). 이와는 대조적으로 이성적 기대 모델은 모든 에이전트가 모든 가용 정보에 접근 할 수 있으며 따라서 경제 시스템을 설명하는 모델을 정확히 알고 있다고 가정한다 (변수의 기대 값은 이론에 의해 객관적인 예측이다). 이 두 이론은 매우 적절한 공헌으로 거슬러 올라간다. 우리는 Friedman [21], [22], Phelps [23], Cagan [24]을 적응력있는 기대치로 언급한다. adaptive expectations "는 Arrow와 Nerlove [25]에 의해 처음 소개되었다. 이성적인 기대를 위해 우리는 Muth [26], Lucas [27], Sargent-Wallace [28]를 참조한다.
금융 시장은 종종 복잡한 역 동성과 위험한 변동성의 예가됩니다. 이것은 어떻게 든 예측 불가능성에 대한 아이디어를 제시합니다. 그럼에도 불구하고, 경제 체제에서의 시장의 관련 역할로 인해, 신뢰할 수있는 예측을 얻기 위해 다양한 문헌이 개발되었다. 사실 예측은 금융 시장의 핵심 포인트입니다. Fama [29] 이후 완전한 차익 거래가 발생하면 시장이 효율적이라고 말한다. 이것은 비효율의 경우는 미숙 한 이익을위한 기회의 존재를 의미하고, 물론 거래자는 이익의 추가 가능성이 사라질 때까지 장단기 포지션을 즉시 운영 할 것임을 의미합니다. Jensen [30]은 주어진 정보 집합을 토대로 거래함으로써 이익을 창출하는 것이 불가능한 경우 시장이 정보 집합과 관련하여 효율적이라고 간주된다는 것을 정확하게 기술하고있다. 이것은 효과적인 시장이 자산 가격 결정에 대한 모든 정보를 완벽하게 반영한다고 주장하는 Malkiel [31]과 일치한다. 독자가 쉽게 이해할 수 있듯이이 효율성 정의에서 중요한 부분은 정보 집합의 완성도에 달려 있습니다. 사실, Fama [29]는 유익한 집합 (즉, "약", "준 강"및 "강")의 완성도에 따라 세 가지 형태의 시장 효율성을 구별한다. 따라서 거래자와 재무 분석가는 최상의 전략을 선택할 기회를 얻기 위해 정보 집합을 지속적으로 확장하려고 노력합니다. 이 프로세스에는 요원이 너무 많이 변동하여 하루가 끝날 때마다 활동이 줄어들 었다고 말할 수 있습니다. 체계적인 추측. 금융 시장의 세계화가이 과정을 확대 시켰고, 결국 우리는 수십 년의 극단적 인 변동성과 높은 변동성을 경험하고 있습니다.
케인즈는 수년 전에 대리인과 대중 심리학의 합리성 (소위 "동물의 영혼")이 같은 것으로 해석되어서는 안된다고 주장했다. 저자는 금융 시장의 논리를 설명하기 위해 매우 유명한 뷰티 콘테스트의 예를 소개했습니다. 그의 일반 이론 (General Theory) [32]에서 그는 "진정한 장기적인 기대에 기반한 투자는 실현하기가 매우 어렵다. 그것을 시도하는 사람은 분명히 군중이 어떻게 행동 할 것인지 대중보다 더 잘 추측하려고하는 사람보다 훨씬 힘든 날을 보내고 더 큰 위험을 감수해야합니다. 평등 한 정보를 받으면 그는 더 비참한 실수를 범할 수도 있습니다. "즉, 아름다움 경연 대회의 우승자를 예측하기 위해서는 객관적인 아름다움의 이상에주의를 기울이기보다는 심사 위원의 선호하는 아름다움을 해석해야합니다. 금융 시장에서는 똑같은 것입니다. 실수없이 주가의 가격을 예측하는 것은 불가능한 것처럼 보입니다. 그 이유는 어떤 투자자도 "배심원"의 의견을 미리 알 수 없기 때문입니다. 즉, 가능한 예측을 단순한 추측으로 줄이는 광범위하고 이질적이며 매우 많은 투자자가 있음을 알 수 없기 때문입니다.
이와 같은 고려에도 불구하고, 이른바 효율적인 시장 가설 (이론적 근거는 합리적 기대의 이론이다)은 완벽하게 경쟁하는 시장과 최상의 전략을 선택하는 모든 가능한 정보를 부여받는 완벽하게 합리적인 대리인의 경우를 기술한다 그렇지 않으면 경쟁적 청산 메커니즘으로 인해 시장에서 빠져 나올 수 있기 때문이다). 완전하게 작동하는 완벽한 차익 거래 메커니즘에 대한 이러한 해석이 금융 시장 분석에 적절하지 않다는 증거가있다 (예 : Cutler et al. [33], 누가 새로운 정보가 거의 없거나 전혀없는 경우에도 큰 가격 변동이 발생한다는 것을 보여준다. Engle [34]은 가격 변동성이 시간적으로 상관 관계가 크다고보고했다. 단기간의 가격 변동이 비정상이라고 주장하는 Mandelbrot [35], [36], Lux [37], Mantegna and Stanley [38] 또는 마지막으로, 가격이 합리적인 가치 평가를 정확하게 반영하지 않을 수 있다고 설명하는 Campbell and Shiller [39].
매우 흥미롭게도, 금융 문학 분야에 수많은 이질 에이전트 모델이 도입되었습니다. 이 모델들에서는 서로 다른 그룹의 상인들이 서로 다른 기대치를 가지고 공존하며, 행동의 결과에 의해 서로 영향을 미친다. 다시 한번 여기서 논의 할 수는 없지만, Brock [40], Brock and Hommes [42], Chiarella [43], Chiarella and He [44], DeGrauwe 외 . Frankel and Froot [46], Lux [47], Wang [48], Zeeman [49].
이 문헌의 일부는 금융 시장 모델에 비선형 성과 잡음을 적용하려는 "적응 적 신념 체계 (adaptive belief systems)"라고 불리는 접근법을 언급합니다. 오류와 이질성과 함께 경제 펀더멘털에 대한 본질적인 불확실성은 근본 가치 (예 : 예상 배당 흐름의 현재 할인 가치)와 별도로 낙관주의 나 비관론의 단계로 인해 예측할 수 없을 정도로 변동한다고 생각합니다 시장 위기를 야기하는 상승 추세와 하락 추세의 상응하는 단계에 이르기까지 다양합니다. 투자 전략을 최적화하기 위해 어떻게 이런 비정상적인 행동을 관리 할 수 ​​있습니까? 금융 시장에서 거래 할 때 전략을 선택하기 위해 대리인이 채택한 매우 다른 태도를 설명하기 위해 근본 주의자와 차트리스트가 구분됩니다. 전자는 미래의 자산 가격에 대한 기대치를 시장 펀더멘털 및 경제적 요인 (즉, 배당금, 수익, 경제 성장, 실업률 등과 같은 미시적이고 거시 경제 변수)에 기초합니다. 반대로, 후자의 사람들은 자산 가격의 향후 경로를 예측하기 위해 과거의 일련의 데이터에서 추세 또는 통계적으로 관련있는 특성을 추정하려고합니다 (기술적 분석이라고도 함).
이 두 그룹의 에이전트의 상호 작용이 시장의 진화를 결정한다는 점을 감안할 때, 우리는 차트 운영자의 행동에 초점을 맞추기 위해 여기에서 선택합니다 (거시 경제적 기본에 대한 정성 분석은 절대적으로 주관적이고 어렵 기 때문에 개인 투자자의 예 예측 능력. 완전한 정보가 없다고 가정 할 때, 효율성에 도달하기가 불가능하기 때문에 무작위성이 중요한 역할을합니다. 이것은 우리의 접근법이 위에서 언급 한 효율적인 시장 가설 패러다임의 어떤 형태에도 의존하지 않는다는 것을 강조하기 위해 특히 중요합니다. 좀 더 정확하게, 우리는 다음과 같은 질문에 대한 해답을 찾고있다 : 상인이 모든 시장 (즉, 주가의 동태 [50] - [53]의 예측 불가능 성)을 통한 완전한 정보의 부족을 가정한다면, 트레이딩 전략은 평균적으로 잘 알려진 트레이딩 전략만큼 우수합니까? 우리는 각 에이전트가 거래 전략을 수립하기 위해 다른 정보 집합에 의존하기 때문에 효율적인 메커니즘을 호출 할 수 없다는 증거로부터 벗어나 있습니다. 대신, 정보의 비대칭 순환으로 인한 자아 영향을주는 복잡한 네트워크는 링크를 형성하고 신뢰성이 인정되는 몇 가지 신호를 따르는 무리 행동을 생성합니다.
금융 위기는 금융 시장이 실패에 면역이되지 않는다는 것을 보여줍니다. 그들의 정기적 인 성공은 무료는 아닙니다. 격변 적 사건은 엄청난 가치의 달러와 경제 시스템을 심각한 위험에 빠트 렸습니다. 상인들은 정교한 전략이 시장의 역 동성에 맞는지 확신 할 수 있습니까? 우리의 간단한 시뮬레이션은 다른 거래 전략의 실적에 대한 비교 분석을 수행 할 것입니다. 시장이 ( '완고한'추세) 또는 '하락세 ('곰 같은 '추세)가 될 것인지를 매일 예측해야합니다. 테스트 된 전략은 모멘텀, RSI, UPD, MACD 및 완전 무작위입니다.
이론적 인 기대 이론가들은 임의의 전략이 어떤 정보도 사용하지 않기 때문에 경쟁을 느슨하게 할 것이라고 즉각적으로 내기는하지만, 우리가 보여주는 것처럼 우리의 결과는 상당히 놀랍습니다.
색인 시간 시리즈의 Detrended 분석.
우리는 매우 인기있는 4 개의 금융 시장 지수를 고려하고 특히 그림 1과 같은 다음의 해당 시계열을 분석합니다.
그림 1. 4 가지 중요한 금융 시장 지수의 시간별 진화 (시간 간격에 따라 3714 일에서 5750 일 사이).
위에서 아래로, 우리는 FTSE UK All-Share 인덱스, FTSE MIB All-Share 인덱스, DAX All-Share 인덱스 및 S & amp; P 500 지수. 자세한 내용은 텍스트를 참조하십시오.
일반적으로 재정적 인 시계열을 예측할 수있는 가능성은 그 중 일부에서 지속적인 행동의 발견에 의해 자극을 받았다 [38, 54, 55]. 현재 섹션의 주요 목적은 이전 4 개의 유럽 및 미국 주식 시장의 모든 주식 지수의 일련의 상관 관계의 존재 가능성을 조사하는 것입니다. 이와 관련하여 우리는 detrended moving average (DMA) 기법 [56]을 사용하여 시간 종속 허스트 지수를 계산할 것이다. DMA 알고리즘에 대한 요약부터 살펴 보겠습니다. 계산 절차는 다음과 같이 정의 된 주어진 시계열에 따른 표준 편차의 계산을 기반으로합니다.
여기서 크기의 각 시간 창에서 계산 된 평균입니다. 허스트 지수를 결정하기 위해 함수는 시계열의 길이 인 간격 내부의 증가하는 값에 대해 계산되며 로그 로그 플롯에서의 함수로 얻은 값이보고됩니다. 일반적으로, 지수를 갖는 지수 함수 의존성을 나타낸다.
특히, 긍정적 인 상관 관계 또는 지속적인 행동이있는 경우에는 음의 상관 관계 또는 비 영구적 인 행동을 취합니다. 의 경우는 상관없는 브라운 프로세스에 해당합니다. 우리의 경우, 첫 번째 단계로서 전체 시리즈를 고려하여 허스트 지수를 계산했습니다. 이 분석은 그림 2의 4 개 플롯에서 설명됩니다. 여기에서 로그 - 로그 플롯에 대한 선형 적합은 조사 된 시계열에 대해 이렇게 얻어진 Hurst 지수 H의 모든 값이 평균적으로 매우 가깝다는 것을 나타냅니다 0.5. 이 결과는 큰 시간 규모와 무작위 과정과의 일관성에 상관 관계가 없음을 나타냅니다.
그림 2. 그림 1에 표시된 4 가지 금융 시장 시리즈에 대한 Detrended 분석.
력법 법칙에 따라 DMA 표준 편차는 허스트 지수를 유도 할 수 있는데, 4 가지 경우 모두 0.5 정도의 진동을 나타내어 평균적으로 큰 기간 동안 상관 관계가 없음을 나타냅니다. 텍스트 참조.
반면에 Hurst 지수를 국지적으로 계산하는 것은 흥미 롭습니다. 이 분석을 수행하기 위해 일련의 슬라이딩 창을 사용하여 전체 시리즈의 하위 집합을 시간 간격으로 이동합니다. 이것은 매회마다 식 (1)을 사용하여 슬라이딩 윈도우 내부를 계산한다는 것을 의미합니다. 따라서, 전술 한 동일한 절차에 따라, 시간의 함수로서 허스트 지수 값의 시퀀스가 ​​얻어진다. 그림 3에서는 매개 변수에 대해 얻은 결과를 보여줍니다. 이 경우, 허스트 지수에 대해 얻어진 값은 국부적으로 0.5와 매우 다르므로 중요한 상관 관계가 있음을 나타냅니다.
그림 3. 네 개의 시리즈에 대한 허스트 지수의 시간 의존성 : 작은 시간 규모에서 중요한 상관 관계가 존재합니다.
이전에 Ref. 에서 발견 된 것과 일치하는이 조사. Dax 지수에 대한 상관 관계는 상관 관계가 지역적 시간 척도에서만 중요하며 장기간 평균을 상쇄한다는 것을 제시하는 것으로 보인다. 다음 섹션에서 볼 수 있듯이이 기능은 고려 된 거래 전략의 성과에 영향을 미칩니다.
거래 전략 설명.
본 연구에서는 다음과 같이 정의 된 다섯 가지 거래 전략을 고려한다.
Random (RND) Strategy This strategy is the simplest one, since the correspondent trader makes his/her prediction at time completely at random (with uniform distribution). Momentum (MOM) Strategy This strategy is based on the so called ‘momentum’ indicator, i. e. the difference between the value and the value , where is a given trading interval (in days). Then, if , the trader predicts an increment of the closing index for the next day (i. e. it predicts that ) and vice-versa. In the following simulations we will consider days, since this is one of the most used time lag for the momentum indicator. See Ref. [57]. Relative Strength Index (RSI) Strategy This strategy is based on a more complex indicator called ‘RSI’. It is considered a measure of the stock’s recent trading strength and its definition is: , where is the ratio between the sum of the positive returns and the sum of the negative returns occurred during the last days before . Once calculated the RSI index for all the days included in a given time-window of length immediately preceding the time , the trader which follows the RSI strategy makes his/her prediction on the basis of a possible reversal of the market trend, revealed by the so called ‘divergence’ between the original time series and the new RSI one. A divergence can be defined referring to a comparison between the original data series and the generated RSI-series, and it is the most significant trading signal delivered by any oscillator-style indicator. It is the case when the significant trend between two local extrema shown by the RSI trend is oriented in the opposite direction to the significant trend between two extrema (in the same time lag) shown by the original series. When the RSI line slopes differently from the original series line, a divergence occurs. Look at the example in Fig. 4: two local maxima follow two different trends sloped oppositely. In the case shown, the analyst will interpret this divergence as a bullish expectation (since the RSI oscillator diverges from the original series: it starts increasing when the original series is still decreasing). In our simplified model, the presence of such a divergence translates into a change in the prediction of the sign, depending on the bullish or bearish trend of the previous days. In the following simulations we will choose days, since - again - this value is one of the mostly used in RSI-based actual trading strategies. See Ref. [57]. Up and Down Persistency (UPD) Strategy This deterministic strategy does not come from technical analysis. However, we decided to consider it because it seems to follows the apparently simple alternate “up and down” behavior of market series that any observer can see at first sight. The strategy is based on the following very simple rule: the prediction for tomorrow market’s behavior is just the opposite of what happened the day before. If, e. g., one has , the expectation at time for the period will be bullish: , and vice versa. Moving Average Convergence Divergence (MACD) Strategy The ‘MACD’ is a series built by means of the difference between two Exponential Moving Averages (EMA, henceforth) of the market price, referred to two different time windows, one smaller and one larger. In any moment t , . In particular, the first is the Exponential Moving Average of taken over twelve days, whereas the second refers to twenty-six days. The calculation of these EMAs on a pre-determined time lag, x , given a proportionality weight , is executed by the following recursive formula: with , where . Once the MACD series has been calculated, its 9-days Exponential Moving Average is obtained and, finally, the trading strategy for the market dynamics prediction can be defined: the expectation for the market is bullish (bearish) if ( ). See Ref. [57]. Expand Figure 4. RSI divergence example.
A divergence is a disagreement between the indicator (RSI) and the underlying price. By means of trend-lines, the analyst check that slopes of both series agree. When the divergence occurs, an inversion of the price dynamic is expected. In the example a bullish period is expected.
Results of Empirically Based Simulations.
For each one of our four financial time series of length (in days), the goal was simply to predict, day by day and for each strategy, the upward (bullish) or downward (bearish) movement of the index at a given day with respect to the closing value one day before: if the prediction is correct, the trader wins, otherwise he/she looses. In this connection we are only interested in evaluating the percentage of wins achieved by each strategy, assuming that - at every time step - the traders perfectly know the past history of the indexes but do not possess any other information and can neither exert any influence on the market, nor receive any information about future moves.
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.
Acknowledgments.
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.
참조.
1. Kirkpatrick S, Gelatt CD, Vecchi MP (1983) Optimization by Simulated Annealing. Science 220: 671–680. 2. Benzi R, Parisi G, Sutera A, Vulpiani A (1982) Stochastic resonance in climatic change. Tellus 34: 10–16. 3. Gammaitoni L, Hanggi P, Jung P, Marchesoni F (1989) Stochastic Resonance. Reviews of Modern Physics, 70 (1): 223–287. 4. Mantegna R, Spagnolo B (1996) Noise enhanced stability in an unstable system. Phys. Rev. Lett. 76: 563–566. 5. Caruso F, Huelga SF, Plenio MB (2010) Noise-Enhanced Classical and Quantum Capacities in Communication Networks. Phys. Rev. Lett. 105(198): 190501. 6. Van den Broeck C, Parrondo JMR, Toral R (1994) Noise-Induced Non-equilibrium Phase Transition. Physical Review Letters 73: 3395. 7. Peter LJ, Hull R (1969) The Peter Principle: Why Things Always Go Wrong. New York: William Morrow and Company. 8. Pluchino A, Rapisarda A, Garofalo C (2010) The Peter Principle revisited: a computational study. Physica A 389: 467–472 Available: oldweb. ct. infn. it/cactus/peter-links. html. 9. Pluchino A, Rapisarda A, Garofalo C (2011) Efficient promotion strategies in hierarchical organizations. Physica A 390: 3496–3511. 10. Pluchino A, Rapisarda A, Garofalo C, Spagano S, Caserta M (2011) Accidental Politicians: How Randomly Selected Legislators Can improve Parliament Efficiency. Physica A, 2011 390: 3944–3954 Available: pluchino. it/Parliament. html. 11. Satinover JB, Sornette D (2007) ‘Illusion of control’ in Time-Horizon Minority and Parrondo Games. Eur. Phys. J. B 60: 369–384. 12. Satinover JB, Sornette D (2009) Illusory versus Genuine Control in Agent-Based Games. Eur. Phys. J. B. 67: 357–367. 13. Gilles D, Sornette D, Woehrmann P (2009) Look-Ahead Benchmark Bias in Portfolio Performance Evaluation. Journal of Portfolio Management 36(1): 121–130. 14. Farmer JD, Patelli P, Zovko II (2005) The predictive power of zero intelligence in financial markets, PNAS. 102: 2254–2259. 15. Taleb NN (2005) Fooled by Randomness: The Hidden Role of Chance in the Markets and in Life. New York: Random House. 16. Taleb NN (2007) The Black Swan: The Impact of the Highly Improbable. New York: Random House. 17. Biondo AE, Pluchino A, Rapisarda A (2013) The Beneficial Role of Random Strategies in Social and Financial Systems. Journal of Statistical Physics 151: 607–622 doi: 10.1007/s10955-013-0691-2. 18. Wiseman R (2007) Quirkology. London: Macmillan. 19. Porter GE (2004) The long term value of analysts advice in the Wall Street Journals investment dartboard contest. J. Appl. Finance 14: 720. 20. Simon HA (1957) Models of Man. New York: Wiley. 21. Friedman M (1956) A Theory of the Consumption Function. Princeton, NJ: Princeton University Press. 22. Friedman M (1968) The Role of Monetary Policy. The American Economic Review 58(1): 1–17. 23. Phelps E (1967) Phillips Curve Expectations of Ination, and Output Unemployment Over Time. Economica 34(135): 254–281. 24. Cagan P (1956) The Monetary Dynamics of Hyperination. In Friedman M, editor. Studies in the Quantity Theory of Money. Chicago: University of Chicago Press. 25. Arrow KJ, Nerlove M (1958) A Note on Expectations and Stability. Econometrica 26: 297–305. 26. Muth JF (1961) Rational Expectation and the Theory of Price Movements. Econometrica 29: 315–335. 27. Lucas RE (1972) Expectations and the Neutrality of Money. Journal of Economic Theory 4: 103–124. 28. Sargent TJ, Wallace N (1975) Rational Expectations, the Optimal Monetary Instrument, and the Optimal Money Supply Rule. Journal of Political Economy 83(2): 241–254. 29. Fama EF (1970) Efficient Capital Markets: a Review of Theory and Empirical Work. Journal of Finance 25: 383–423. 30. Jensen M (1978) Some anomalous evidence regarding market efficiency. Journal of Financial Economics 6: 95–101. 31. Malkiel B (1992) Efficient market hypothesis. New Palgrave Dictionary of Money and Finance. London: Macmillan. 32. Keynes JM (1936) The General Theory of Unemployment, Interest, and Money. London: Macmillan. 157 p. 33. Cutler DM, Poterba JM, Summers LH (1989) What moves stock prices? Journal of Portfolio Management 15(3): 4–12. 34. Engle R (1982) Autoregressive conditional heteroscedasticity with estimates of the variance of UK ination, Econometrica. 50: 987–1008. 35. Mandelbrot BB (1963) The variation of certain speculative prices. Journal of Business 36: 394–419. 36. Mandelbrot BB (1997) Fractals and Scaling in Finance. New York: Springer. 37. Lux T (1996) The stable Paretian hypothesis and the frequency of large returns: an examination of major German stocks. Applied Financial Economics 6: 463–475. 38. Mantegna RN, Stanley HE (1996) Introduction to Econophysics: Correlations and Complexity in Finance. Cambridge: Cambridge University Press. 39. Campbell JY, Shiller R (1998) The Dividend-Price Ratio and Expectations of Future Dividends and Discount Factors. Review of Financial Studies 1: 195–227. 40. Brock WA (1993) Pathways to Randomness in the Economy: Emergent Non-Linearity and Chaos in Economics and Finance. Estudios Económicos 8: 3–55. 41. Brock WA (1997) Asset Prices Behavior in Complex Environments. In: Arthur WB, Durlauf SN, Lane DA, editors. The Economy as an Evolving Complex System II. Reading, MA: Addison-Wesley. 385–423 p. 42. Brock WA, Hommes CH (1997) A Rational Route to Randomness. Econometrica 65: 1059–1095. 43. Chiarella C (1992) The Dinamics of Speculative Behavior. Annals of Operations Research 37: 101–123. 44. Chiarella C, He T (2002) Heterogeneous Beliefs, Risk and Learning in a Simple Asset Pricing Model. Computational Economics - Special issue: Evolutionary processes in economics 19(1): 95–132. 45. DeGrauwe P, DeWachter H, Embrechts M, (1993) Exchange Rate Theory. Chaotic Models of Foreign Exchange Markets. Blackwell. 46. Frankel JA, Froot KA (1988) Chartists, Fundamentalists and the Demand for Dollars. Greek Economic Review 10: 49–102. 47. Lux T (1995) Herd Behavior, Bubbles and Crashes. The Economic Journal 105: 881–896. 48. Wang J (1994) A Model of Competitive Stock Trading Volume. Journal of Political Economy 102: 127–168. 49. Zeeman EC (1974) The Unstable Behavior of Stock Exchange. Journal of Mathematical Economics 1: 39–49. 50. Black F, Scholes M (1973) The Valuation of Options and Corporate Liabilities, Journal of Political Economy. 81: 637–654. 51. Merton RC (1973) Theory of Rational Option Pricing. Bell Journal of Economics and Management Science 4: 141–183. 52. Cox JC, Ingersoll JE, Ross SA (1985) A Theory of the Term Structure of Interest Rates, Econometrica. 53: 385–408. 53. Hull JC, White A (1987) The Pricing of Options on Assets with Stochastic Volatilities. Journal of Finance 42: 281–300. 54. Gabaix X, Gopikrishnan P, Plerou V, Stanley HE (2003) A theory of power-law distributions in financial market uctuations. Nature 423: 267–72. 55. Livan G, Inoue J, Scalas E (2012) On the non-stationarity of financial time series: impact on optimal portfolio selection. Journal of Statistical Mechanics. doi:10.1088/1742-5468/2012/07/P07025. 56. Carbone A, Castelli G, Stanley HE (2004) Time dependent Hurst exponent in financial time series. Physica A 344: 267–271. 57. Murphy JJ (1999) Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. 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 (2011) Physics for Financial Markets. Available: tinyurl/d3j5bgs. 60. Tedeschi G, Iori G, Gallegati M (2012) Herding effects in order driven markets: The rise and fall of gurus. Journal of Economic Behavior & Organization 81: 82–96 doi:10.1016/j. jebo.2011.09.006.
PLOS is a nonprofit 501(c)(3) corporation, #C2354500, and is based in San Francisco, California, US.

Journal of trading strategies

The Journal of Trading.
Institutional Investor Journals (II Journals) are created for industry professionals and written by leading practitioners and academics. They provide detailed analyses and strategic insights that can be translated into implementable ideas in global investment management and finance.
The Journal of Trading (JOT) ) gives you in-depth analysis of new tools and strategies in institutional trading and shows you how to use them in a practical way. JOT aims to provide critical intelligence on algorithmic trading, execution options, liquidity issues, trading platforms, and analytical models. You get the practical tools to review and measure trade execution performance; conduct pre - and post-trade analysis and transaction cost analysis; evaluate commission allocations and trading strategies; achieve best execution and avoid trading pitfalls and control transaction costs and minimize overall costs. JOT is ideal for senior-level buy - and sell-side traders, institutional investors and portfolio managers, and brokers and dealers of investment firm.
Brian R. Bruce , Editor, is Founder and CEO at Hillcrest Asset Management and Director of the Center for Investment Research.
Corporate pension fund managers, Portfolio managers, Treasurers, Investment advisors.
4 issues a year.
Spring (March), Summer (June), Fall (September), Winter (December)
В© The Center for Investment Research, 2009. All Rights Reserved.