A carregar...
Publicação
Cryptocurrency trading : from single-factor model to multifactor model by taking long-short strategies
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.97 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This study explored the impact of different indicator factor models on the
performance of portfolios under the same trading strategy within the same time frame.
The indicator factors selected were the Commodity Channel Index (CCI), Volume,
and Bollinger bands (Boll count). The trading strategy employed is known as the
'Long-short pairing strategy', which involves taking a long and holding position in a
single coin ranked first while short-holding a coin ranked last at the same time. 264
Coins that are traded on Binance plarforms are included in this research, and coin
selection process is refreshed every 6 hours. The time frame considered for this
analysis spans from September 20, 2020, to September 20, 2023. The evaluation
metrics for portfolio performance are the accumulated net value, annual return,
portfolio standard deviation, Sharpe ratio, maximum draw-down, information ratio,
etc. The hyper-parameter of the factors was tuned by machine learning using Grid
search.
The results showed that combining additional factors into the model can increase
annual returns. However, reducing portfolio volatility and risk exposure is in doubt.
Also, the impact of additional factors on portfolio performance and risk can vary
significantly depending on the specific factors and their correlations, emphasising the
importance of careful factor selection and combination in portfolio optimisation.
Este estudo explorou o impacto de diferentes modelos de fatores indicadores no desempenho de portfólios sob a mesma estratégia de negociação dentro do mesmo período de tempo. Os fatores indicadores selecionados foram o Índice de Canal de Mercadorias (CCI), Volume e Contagem de Boll. A estratégia de negociação empregada é conhecida como 'ESTRATÉGIAS DE MERCADO NEUTRO', que envolve assumir uma posição longa e manter em uma única moeda classificada em primeiro lugar, enquanto simultaneamente mantém uma posição curta em uma moeda classificada em último lugar. 264 moedas negociadas nas plataformas Binance estão incluídas nesta pesquisa, e a seleção das moedas é atualizada a cada 6 horas. O período de tempo considerado para esta análise abrange de 20 de setembro de 2020 a 20 de setembro de 2023. As métricas de avaliação do desempenho do portfólio incluem o valor acumulado líquido, retorno anual, desvio padrão do portfólio, índice Sharpe, rebaixamento máximo, índice de informação, entre outros. Os hiperparâmetros dos fatores foram ajustados por meio de aprendizado de máquina, usando Grid search. Os resultados mostraram que a combinação de factores adicionais no modelo tem grandes possibilidades de aumentar os retornos anuais, no entanto, as capacidades para reduzir a volatilidade da carteira e a exposição ao risco estão em dúvida.Além disso, o impacto de factores adicionais no desempenho e risco da carteira pode variar significativamente dependendo de os fatores específicos e suas correlações, enfatizando a importância da seleção e combinação cuidadosa dos fatores na otimização do portfólio.
Este estudo explorou o impacto de diferentes modelos de fatores indicadores no desempenho de portfólios sob a mesma estratégia de negociação dentro do mesmo período de tempo. Os fatores indicadores selecionados foram o Índice de Canal de Mercadorias (CCI), Volume e Contagem de Boll. A estratégia de negociação empregada é conhecida como 'ESTRATÉGIAS DE MERCADO NEUTRO', que envolve assumir uma posição longa e manter em uma única moeda classificada em primeiro lugar, enquanto simultaneamente mantém uma posição curta em uma moeda classificada em último lugar. 264 moedas negociadas nas plataformas Binance estão incluídas nesta pesquisa, e a seleção das moedas é atualizada a cada 6 horas. O período de tempo considerado para esta análise abrange de 20 de setembro de 2020 a 20 de setembro de 2023. As métricas de avaliação do desempenho do portfólio incluem o valor acumulado líquido, retorno anual, desvio padrão do portfólio, índice Sharpe, rebaixamento máximo, índice de informação, entre outros. Os hiperparâmetros dos fatores foram ajustados por meio de aprendizado de máquina, usando Grid search. Os resultados mostraram que a combinação de factores adicionais no modelo tem grandes possibilidades de aumentar os retornos anuais, no entanto, as capacidades para reduzir a volatilidade da carteira e a exposição ao risco estão em dúvida.Além disso, o impacto de factores adicionais no desempenho e risco da carteira pode variar significativamente dependendo de os fatores específicos e suas correlações, enfatizando a importância da seleção e combinação cuidadosa dos fatores na otimização do portfólio.
Descrição
Mestrado Bolonha em Finanças
Palavras-chave
Cryptocurrency Market-Neutral Strategies Commodity Channel Index Volume Boll Criptomoeda Estratégias neutras de mercado Índice de canais de mercadoria Volume Boll
Contexto Educativo
Citação
Zhao, Wenyan (2023). “Cryptocurrency trading : from single-factor model to multifactor model by taking long-short strategies”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão
Editora
Instituto Superior de Economia e Gestão