ارزهای رمزنگاری انرژی و پیشرو در قیمت سهام انرژی ایالات متحده: آیا جمع آوری فیبوناچی سودآور است؟

در این مقاله به بررسی نقش سطح بازیابی فیبوناچی ، یک شاخص تجزیه و تحلیل فنی محبوب ، در پیش بینی قیمت سهام شرکتهای پیشرو در انرژی ایالات متحده و ارزهای رمزپایه انرژی پرداخته شده است. روش مطالعه بر استفاده از تنظیم مجدد فیبوناچی به عنوان یک سیستم در مقایسه با استراتژی خرید و نگهدارنده متمرکز است. قیمت رمزنگاری روزانه و سهام از شاخص انرژی 1500 کامپوزیت استاندارد و پور و CoinmarketCap بین نوامبر 2017 و ژانویه 2020 به دست آمد. این مطالعه همچنین بررسی شده است که آیا جمع آوری فیبریاچی ترکیبی و استراتژی متقاطع قیمت منجر به بازده بالاتری در واحد ریسک می شود. یافته های ما نشان داد که اصلاح فیبوناچی تغییرات قیمت سهام انرژی را بهتر از رمزنگاری می کند. علاوه بر این ، بیشتر تخلفات قیمت در طول کاهش قیمت در مقایسه با افزایش قیمت مکرر بوده است ، و حمایت می کند که ابزار فیبوناچی به ترتیب حرکات قیمت را در حین بالا و پایین آمدن ضبط نمی کند. همچنین ، تعداد کمتری از تعطیل شدن متوالی مشاهده شد که نقض قیمت 3 روز قبل از وقفه فعلی مورد بررسی قرار گرفت. علاوه بر این ، استراتژی مبتنی بر فیبوناچی منجر به بازده بالاتری نسبت به مدل خرید و نگهدارنده ساده شد. سرانجام ، تکمیل فیبوناچی با استراتژی متقاطع قیمت ، نتایج را بهبود نمی بخشد و منجر به معاملات کمتری برای برخی از مؤلفه ها شد. یافته های کلی این مطالعه نشان می دهد که ، با وجود افت قابل توجه در قیمت نفت ، دلالان (معامله گران) می توانند هنگام استفاده از شاخص های تحلیل فنی ، مانند ابزار تنظیم فیبوناچی ، با یا بدون قوانین متقاطع قیمت ، استراتژی های سودآور را پیاده سازی کنند.

مقدمه

جداشدگی ، دکربن سازی و سیاست انرژی ، کلمات کلیدی است که به بحث های اصلی در مورد بازار جهانی انرژی ، به ویژه در ایالات متحده می پردازند. بازارهای انرژی معمولاً با رشد ناخالص داخلی (تولید ناخالص داخلی) مرتبط بوده اند ، زیرا معاملات انرژی در نفت و گاز مؤلفه های مهم تجارت جهانی کالا (ژانگ 2019) است. آژانس بین المللی انرژی (IEA) اظهار داشت ، اگرچه در سال 2016 رشد مداوم تولید ناخالص داخلی در حدود 3 ٪ سالانه وجود داشت ، انتشار گازهای گلخانه ای جهان (GHG) از سال 2014 تا 2015 ثابت ماند (IEA 2016 ، 2015). این مکاشفه دلگرم کننده بود ، زیرا سرانجام GHG و رشد جهانی از بین رفت و در نهایت منجر به افزایش کمتر از 2 درجه سانتیگراد در دمای متوسط سطح جهانی از سطح قبل از صنعتی شد (UFCCC 2016 ؛ Chemnick 2016). شکل 1 مجدداً انتشار انتشار گازهای گلخانه ای GHG و رشد تولید ناخالص داخلی در جهان بین سالهای 2007 تا 2016 را تکرار و نشان می دهد.

منبع: برآورد نویسندگان بر اساس شرکت IEA₂انتشار گازهای گلخانه ای از سوزاندن سوخت (https://iea. org/subscrib-to-data-service/co2-emissions-statistics) ، داده های حساب های ملی بانک جهانی ، و پرونده های داده حساب های ملی OECD

انتشار گازهای گلخانه ای جهان (شرکت مربوط به انرژی₂تولید گازهای گلخانه ای) و رشد تولید ناخالص داخلی از سال 2007 تا 2016.

با این حال، در طول 2014-2018، همانطور که در شکل 2 نشان داده شده است، قیمت نفت بیش از 67٪ کاهش یافت و قیمت های فعلی حدود 45٪ از مقادیر 2011-2014 در نوسان بود. در نتیجه، چندین اقتصاد متکی به نفت تحت تأثیر کاهش قابل توجهی در مصرف و پیشرفت سرمایه گذاری قرار گرفتند (بانک جهانی 2018). چنین تغییراتی در قیمت انرژی منجر به ایجاد ریسک در فعالیت‌های اقتصادی شد (جبرئیل و همکاران 2020) و کشورهای مختلف را مجبور کرد تا از سیاست‌ها و رویه‌های دولتی مناسب برای تکیه کمتر بر نفت استفاده کنند. در همین راستا، این امر نشان می‌دهد که سرمایه‌گذاران هنگام پیگیری فعالیت‌های سرمایه‌گذاری مرتبط با بازارهای کالا و سهام، به رهبری بازار نفت خام، دقت بیشتری خواهند داشت (جیانگ و همکاران 2020). اگرچه جهانی شدن وابستگی را در بین بازارها ترویج می کند، چنین روابطی صریح نیستند، به ویژه با محصولات مالی جایگزین در حال ظهور (قرنی و گلزار 2021). برای مثال، گوریب (2019) دریافت که شاخص‌های قیمت کالاهای انرژی و ارزهای دیجیتال پیش‌بینی‌کننده قوی ارزهای دیجیتال انرژی و کالاهای انرژی نیستند. گریب و کمالوف (2019) دریافتند که نسبت پاداش به نوسانات در نفت خام و گاز طبیعی قبل و بعد از بحران مالی جهانی 2008 تغییر کرده است. با این حال، گوریب (2018a) گزارش داد که استفاده از یک شاخص ساخته شده از بیشتر سوخت‌های فسیلی مورد استفاده نمی‌تواند حرکت شاخص‌های کلیدی بازار سهام را در طول بحران فناوری سال 2000 پیش‌بینی کند. به طور مشابه، گوپتا و همکاران.(2017) دریافتند که نوسانات بازارهای آتی ریسک به تدریج افزایش یافته و با نوسانات سایر بازارهای مالی ارتباطی ندارد.

منبع: برآورد نویسندگان بر اساس میانگین داده های برنت، دبی و WTI ارائه شده توسط بانک جهانی

میانگین قیمت ماهانه نفت خام به دلار اسمی آمریکا از سال 2011 تا 2018.

بازار انرژی به طور مداوم در حال تحول است. EIA (2018) پیش بینی مصرف انرژی بالاتری از بخش برق نسبت به سایر بخش ها و اهمیت بیشتر مصرف انرژی تجدید پذیر در مقایسه با سایر منابع انرژی است. همچنین پیش بینی می شود که مصرف گاز طبیعی به دلیل رونق بخش صنعت ، به ویژه قدرت ، گرما و تولید گاز طبیعی مایع افزایش یابد. اگرچه پیش بینی می شود تولید گاز طبیعی تقریباً 40 ٪ از تولید انرژی ایالات متحده را طی 30 سال نشان دهد ، اما در حال حاضر مصرف انرژی باد و خورشیدی در مقایسه با سایر انرژی های تجدید پذیر منجر می شود. به طور فزاینده ، نیروگاه ها با استفاده از سوخت های فسیلی با پانل های خورشیدی و ریزگردها جایگزین می شوند. چندین دولت نسبت به شرایط آب و هوایی جهانی آگاه تر شده اند. پیش بینی می شود که با یارانه های بیشتر برای انرژی های پاک کننده و کاهش هزینه های باد و خورشیدی ، بیش از 10 ٪ از تأمین برق جهانی بین سالهای 2017 و 2022 را فراهم می کند (EIA 2018).

چه در محل و چه آینده ، قیمت نفت خام بر کالاها و کلاسهای دارایی جایگزین مانند سهام تأثیر می گذارد (کیریکاللی و گنگور 2021). در مواجهه با وقایع چالش برانگیز ، مانند تحریم های خاورمیانه ، جنگ های تجاری چین ، همه گیر Covid-19 ، جداسازی کالاهای انرژی و ارزهای رمزنگاری شده ، سیاست گذاران انرژی مانند کمیسیون معاملات آینده کالاها ، برای اطمینان از عمق بازار و نقدینگی در حال تلاش هستندنظارت بر نوسانات قیمت. کاهش قیمت سهام انرژی از ژوئیه 2014 تا دسامبر 2015 به دلیل کاهش قیمت نفت ، یک مرجع خوب را فراهم می کند. علاوه بر این ، کاهش ارزهای رمزنگاری انرژی پس از دسامبر 2017 نمونه بارز دیگری است که باید ذکر شود. در میان دیگران ، معامله گران از ابزارهای فنی و اساسی برای به دست آوردن سود از طریق برخی از روشهای معاملاتی تنظیم شده استفاده می کنند.

در حالی که معاملات مختلف به اثبات موفقیت در بازار ، مانند ارزها ، سهام و اوراق قرضه و بازارهای رمزنگاری نزدیک می شود (ناداراجا و چو 2017 ؛ نیلی و همکاران 2014 ؛ شینکویچ 2012 ، 2016) ، عدم اطمینان بازار مالی باعث می شود تکنیک های فنی و اساسی برای چالش برانگیز تر شودسرمایه گذاران یا معامله گران برای استفاده. تحقیقات محوری در مورد ارزش تجزیه و تحلیل فنی را می توان به Ball (1978) و Fama (1970) مرتبط کرد. مطالعه قبلی نشان داد که استراتژی های زمان بندی بازار پس از تعدیل هزینه های معامله منجر به بازده منفی می شود. مطالعه دوم از فرضیه بازار کارآمد حمایت می کند که قیمت واقعی بازار تمام اطلاعات موجود را در حال حاضر نشان می دهد ، به گونه ای که با تکیه بر آنها ممکن است سودآور نباشد یا منجر به بازده مثبت شود که همراه با سطح نامطلوب خطر باشد. نتایج FAMA و توپ توسط پارک و ایروین (2010) پشتیبانی شد ، که استدلال می کردند که قوانین تجزیه و تحلیل فنی دستاوردهای مداوم در آینده ایالات متحده را به همراه ندارد. با این حال ، Pruitt and White (1988) نتیجه گرفتند که سیستم مبتنی بر فناوری آنها ، که حاوی شاخص قدرت نسبی (RSI) ، حجم و میانگین متحرک (MA) است ، پس از تنظیم هزینه های معامله ، برتر از بازار بود. به همین ترتیب ، منخوف (2010) کشف کرد که بیشتر مدیران صندوق کشور در کشورهای مختلف تجزیه و تحلیل فنی را اتخاذ کرده اند. برای پشتیبانی از تجزیه و تحلیل فنی بیشتر ، Szakmary و همکاران.(2010) استراتژی های مبتنی بر روند سودآوری در معاملات آینده کالا را گزارش کرد ، در حالی که Tsaih و همکاران.(1998) خاطرنشان كرد كه سیستم معاملاتی آنها از استفاده از قانون معاملاتی خرید و نگهدارنده برای آتی 500 استاندارد و پور (S& P) برتر است. وونگ و همکاران.(2003) مشاهده کرد که استفاده از MA و RSI و MA منجر به افزایش قابل توجهی در بورس سنگاپور می شود. همچنین ، نیلی و همکاران.(2009) تشخیص داد که ، هنگام استفاده از تجزیه و تحلیل فنی ، سودآوری و شرایط بازار با گذشت زمان تغییر می کند. این از گورب (2018b) پشتیبانی می کند ، که از میانگین شاخص جهت (ADX) برای ارزهای جفت شده در برابر دلار ایالات متحده استفاده می کند ، و گزارش داد که با تکیه بر افق های هفتگی ، در مقایسه با ماهانه ، سود بیشتری کسب می کند. بیاز و همکاران.(2018) چندین شرکت را با استفاده از رویکردهای فنی و اساسی مورد مطالعه قرار داد. آنها عملکرد متفاوتی را در هر دو کشف کردند. استفاده از هر دو مکانیسم برای سهام انرژی کمتر برجسته بود ، در حالی که ترکیب هر دو ابزار پیش بینی قیمت سهام بهتر را به همراه داشت. Loginov و همکاران.(2015) استفاده از تنظیمات فیبوناچی را با نقاط MA و Pivot مقایسه کرد ،

و دریافت که بازیابی فیبوناچی نتایج بهتری در بازار ارزهای خارجی به همراه دارد. اگرچه مطالعات قبلی تمایل به ابزارهای مختلف تجزیه و تحلیل فنی دارند ، اما استفاده از جمع آوری فیبوناچی در سهام انرژی و از همه مهمتر در مورد رمزنگاری انرژی ، نادر است. به بهترین دانش نویسنده ، هیچ مطالعه ای بررسی نکرده است که آیا یک استراتژی متقاطع قیمت همراه با تنظیمات فیبوناچی می تواند یک سیستم معاملاتی برتر داشته باشد. برای تحقق هدف این مطالعه ، ما عملکرد تنظیم مجدد Fibonacci را به عنوان یک سیستم معاملاتی ارزیابی کردیم و مقایسه ای با مدل خرید و نگهدارنده ساده ارائه دادیم.

بر اساس سهام برتر انرژی ده ، این تجزیه و تحلیل اولین کسی است که بینشی در مورد اینکه آیا برخی از انسجام ها در عملکرد شرکت های مبتنی بر انرژی هنگام استفاده از تنظیمات فیبوناچی وجود دارد ، ارائه می دهد. این مطالعه از دو طریق به ادبیات موجود در مورد نوآوری مالی می افزاید. اول ، این نتایج حاصل از استراتژی معاملات اصلاح فیبوناچی را با استراتژی خرید و نگهدارنده مقایسه می کند و در پاسخ به اینکه آیا عقب نشینی های فیبوناچی قابل اطمینان تر هستند ، کمک می کند. این عملکرد با استفاده از Sharpe و Sharpe در هر اندازه گیری عملکرد تجاری ضبط می شود و متعاقباً با استراتژی خرید و خرید معمولی مقایسه می شود و از این طریق بهترین ابزارهای تجزیه و تحلیل فنی را برای پیش بینی قیمت سهام انرژی هدایت می کند. دوم ، این مطالعه بررسی می کند که آیا شامل یک استراتژی متقاطع قیمت با سیستم معاملاتی فیبوناچی منجر به بازده بالاتری در واحد ریسک می شود. یافته های ما تأیید می کند که بازپرداخت های فیبوناچی می تواند در یک استراتژی معاملاتی با بازده قابل توجهی برای سهام بخش انرژی در مقایسه با ارزهای رمزنگاری شود. این مطالعه نشان می دهد که تخلفات قیمت بیشتر در طی رکودها مشاهده می شود. در زمینه تولید بازگشت ، استراتژی فیبوناچی نسبت به مدل خرید و نگهداری ساده لوح برتر است. تکمیل استراتژی اصلاح فیبوناچی با استراتژی متقاطع قیمت یک مدل معاملاتی مؤثر برای کالاهای مبتنی بر انرژی نیست.

پیامدهای خط مشی همچنین از نظر اینکه آیا اختلال در قیمت کالاها ، مانند افت قیمت نفت ، بر پتانسیل سود تکنیک های معامله گران یا به طور خاص دلالان در معاملات بازارهای انرژی تأثیر می گذارد. بقیه مقاله ، بررسی ادبیات از اندازه گیری عملکرد مورد استفاده ، آمار توصیفی داده ها ، روش استفاده شده در تنظیم سیستم معاملاتی ، یافته های تحقیق و در آخر ، اظهارات نتیجه گیری را ارائه می دهد.

بررسی ادبیات

مقدار قابل توجهی از ادبیات در مورد تجزیه و تحلیل فنی و بازارهای مالی موجود است. به عنوان مثال ، اسمیت و همکاران.(2016) گزارش داد که 20 ٪ صندوق های تامینی از تجزیه و تحلیل فنی استفاده می کنند. کمالوف و همکاران.(2021) جهت سهام سهام بزرگ ایالات متحده را پیش بینی کرد و دریافت که اضافه کردن شاخص های فنی ، اثربخشی بازده و قیمت را به عنوان ورودی در مدل های یادگیری ماشین برابر می کند. Gencay (1999) در بازارهای ارزی دستاوردهای خود را پیدا کرد ، در حالی که اولسون (2004) بیشتر حمایت می کند که با گذشت زمان ، حقوق تجارت تنظیم شده توسط ریسک به تدریج کاهش می یابد. بروک و همکاران.(1992) به طور مشابه دریافت که روشهای تجارت فنی منجر به پیش بینی های قابل توجهی برای میانگین صنعتی داو جونز (DJIA) در طی 90 سال می شود. Psaradellis و همکاران.(2019) بیش از هفت هزار قانون معاملاتی استفاده کرد و فرصت های معاملاتی سودآور موقت را فقط در آینده های نفت خام گزارش داد. یافته های همان نویسنده همچنین توسط طرفداران فرضیه بازار تطبیقی ، مانند LO (2019) و Urquhart و همکاران پشتیبانی می شود.(2015). آنها معتقد بودند که بازارها و سرمایه گذاران سازگار هستند و نشان می دهند که سیستم های معاملاتی فنی تمایل دارند که به تدریج قدرت پیش بینی خود را از دست بدهند.

ادبیات فراوانی در مورد استفاده از تحلیل فنی در چندین بازار مانند ارزهای خارجی وجود دارد. با این حال ، برنامه های کاربردی در بازارهای انرژی اخیراً به دلیل تأمین مالی نفتی تحت پوشش قرار گرفته است ، و قراردادهای مبتنی بر نفت را به یک محصول مالی جذاب برای معامله گران باتجربه آینده نفت خام تبدیل می کند (ژانگ 2017 ؛ کرتی و نگوین 2015). اگرچه ادبیات محدودی در مورد ارتباط بین تجزیه و تحلیل فنی و بازارهای سهام انرژی وجود دارد ، اما این ارتباط یک نقطه مرجع برای روابط بالقوه است. مارشال و همکاران.(2008a) هفت هزار قانون را در مورد آینده کالاهای کلیدی به کار برد و گزارش داد که تنها چند استراتژی پس از اجازه تنظیم تنظیمات در حال تعویض داده ها منجر به دستاوردهای مداوم شد. برخلاف این یافته ، Szakmary و همکاران.(2010) دریافت که استراتژی های کارشناسی ارشد بازده مثبتی را برای بیشتر آینده های کالا به دست می آورند. ناریان و همکاران.(2015) به طور مشابه از این که استراتژی های معاملات مبتنی بر حرکت می تواند با استفاده از موقعیت های طولانی (کوتاه) در بهترین (بدترین) کالاهای عملکردی سودآور باشد. به همین ترتیب ، ناریان و همکاران.(2013) گزارش داد كه استراتژی های معاملاتی با استفاده از MA ساده (SMA) بازده قابل توجه طلا و نفت را به همراه دارد. اگرچه همین نویسندگان همچنین گزارش دادند که معاملات آتی کالاهای نفتی می تواند بازده در بازار نقطه را پیش بینی کند ، گورب (2018a) شاخص انرژی را در پیش بینی شاخص های عمده بازار سهام غیرقابل اطمینان دانست. این یافته توسط Aggarwal (1988) حمایت شد ، که پس از معرفی بازارهای آینده و بعداً ، با گذشت زمان ، از افزایش نوسانات حمایت کرد. بنابراین ، تأیید اینکه بازارهای آتی ناگزیر با سایر نوسانات بازار مرتبط نیستند. بنابراین ، عوامل اضافی ، مانند عدم اطمینان ، ممکن است مسئول نوسانات در بازارها باشند.

به تازگی ، Czudaj (2019) ابزارهای فنی را برای تجارت در نفت خام به تصویب رساند و گزارش داد که پاسخ به وقایع غیر منتظره به طور قابل توجهی در هنگام ارزیابی در دوره های مختلف فرکانس نوسان می شود. فرکانس های زیاد (کم) با یک پاسخ موقتی (مداوم) به شوک های عدم اطمینان همراه بود. علاوه بر این ، مارشال و همکاران.(2008b) دریافت که سرمایه گذاران بیشتر به ابزارهای تجزیه و تحلیل فنی برای پیش بینی در کوتاه مدت بستگی دارند و استرس می دهند که از شاخص های فنی بیشتر برای معاملات داخل کشور نسبت به افق معاملات سالانه استفاده شده است. علاوه بر تأیید استفاده از بازپرداختهای فیبوناچی برای به دست آوردن بازده ، تجزیه و تحلیل ما با مقایسه یافته ها با استراتژی ساده لوح ، به ادبیات نوآوری مالی موجود می افزاید. این مطالعه همچنین به این موضوع می پردازد که آیا تکمیل فیبوناچی با استراتژی متقاطع قیمت ، فرصت های سودآور سهام انرژی و رمزنگاری انرژی را بهبود می بخشد.

قیمت محصولات مالی به افزایش ، کاهش و مکث برای ادغام و گاهی اوقات قبل از شروع مجدد تکامل به سمت بازیابی ، کاهش می یابد. عملکرد S& P 500 نمونه خوبی است ، که دو بحران بزرگ جهانی در سال 2000 و 2008 را قبل از از سرگیری صعود خود از سال 2009 تا 2020 نشان می دهد. بسیاری از پزشکان امور مالی مدتهاست که اعتقاد دارند و همچنان فرض می کنند که این تنظیمات را می توان از طریق مختلف پیش بینی کردگزاره های سری فیبوناچی (Posamentier و Lehmann 2007). استفاده از Fibonacci را می توان در سیستم های معاملاتی خودکار ، مانند تجارت هارمونیک و الگوهای قیمت هارمونیک خاص برای تعریف نکات معکوس بسیار احتمالی در قیمت محصولات مالی یافت. چنین الگویی را می توان شناسایی کرد و بر اساس این عقیده که حرکات قیمت تاریخی مشابه خواهد بود ، می توان موقعیت ها را گرفت. هورست (1973) گزارش داد كه دوره امواج همسایه در حرکات قیمت با تعداد كل كلی مرتبط است ، كه احتمالاً سطح اصلاح فیبوناچی می تواند تعیین كند. الگوهای قیمت هارمونیک ، که مبتنی بر نظریه موج الیوت است (به الیوت 1935 مراجعه کنید) ، و فیبوناچی از نظر مفهومی پاورقی مشابه 1 به دلیل تصحیح فرض شده قیمت ها در مقطعی است. با این حال ، توجه به این نکته حائز اهمیت است که ابزار فیبوناچی نیاز به سطوح خاص اصلاح شده با نسبت طلایی فیبوناچی یا کونژوگه دارد. اگرچه پوشش فراوانی از ابزار فیبوناچی در ادبیات موجود (Bhattacharya و Kumar 2006) وجود دارد ، اما استفاده از آن در بخش انرژی نسبتاً کمیاب است.

Otake و Fallou (2013) استفاده از نسبت های فیبوناچی را در تغییر سهام منطقه ای آفریقا تجزیه و تحلیل کردند و از ابزاری برای کمک به پیش بینی عقب نشینی ها خبر دادند. به همین ترتیب ، لاهوتا (2016) هنگام استفاده از بورس ورشو ، سودمندی مشابهی پیدا کرد. گارتلی (1935) الگوی گارتلی را معرفی کرد و اظهار داشت که هر الگوی اصلاح باید ابتدا با اصلاح 61. 8 ٪ (نسبت طلایی مزدوج) آغاز شود. وی دریافت که این یکی از سودآورترین استراتژی ها برای بازار سهام است.

پس از بررسی فروشندگان ارز خارجی در هنگ کنگ ، لوی و مول (1998) گزارش دادند که تجزیه و تحلیل فنی در روند پیش بینی کمتر از تجزیه و تحلیل اساسی است اما برای پیش بینی نقاط عطف در قیمت ها بسیار سودمندتر است. در اصل ، سیستم های پیروی از روند کار و میانگین های متحرک پاداش دهنده ترین تکنیک ها بودند. چنین قوانین معاملاتی معمولاً تصویب می شود زیرا افراد با نزدیک شدن به لنگرهای خود (با اشاره به ابزارهای سرمایه گذاری که اغلب اتخاذ می شوند) کمتر تنظیم می کنند ، همانطور که اپی و گیلویچ (2006) پیشنهاد کردند. آنها اظهار داشتند که تغییر در تکنیک های دیگر در واقع یک کار است که نیاز به تلاش قابل توجهی دارد. اگرچه ادبیات در مورد ارزش پیشرفته سیستم های پیروی از روند فراوان است ، Zweig (2009) و هایز (2001) نمای کلی از سیستم های اولیه مانند نظریه Dow را ارائه می دهد ، که DJIA فعلی بر اساس آن ساخته شده است.

با مراجعه ویژه به MA ، سیستم های تحلیل فنی می توانند به Cowles (1933) و Tintner (1935) مرتبط شوند. احتمالاً ، بیشترین اندازه گیری روند بلند مدت ، 200 روز کارشناسی ارشد است. سیگل (2014) MA طولانی مدت را در DJIA و شاخص کامپوزیت NASDAQ در طول دوره 1886-2006 آزمایش کرد و دریافت که استراتژی زمانبندی بازار از استراتژی خرید و نگهدارنده است. با استفاده از یک روش قابل مقایسه ، فابر (2007) نتایج مشابهی را برای دوره 1901-1012 گزارش داد. با استفاده از یک استراتژی MA ، ضرر و زیان و دستاوردهای کمتری داشت ، با وقوع هماهنگ بالاتر از خسارات و دستاوردهای کوچک. این نشان می دهد که استراتژی MA به دم چپ چپ خسارات بزرگ تمایل دارد ، اگرچه دم راست راست دستاوردهای بزرگ را قربانی می کند.

Gurrib (2016) یک استراتژی MA را بر اساس پارامترهای بهینه سازی در مورد صندوق ارسالی استاندارد و فقیر (SPDR) S& P 500 مبادله مبادله با استفاده از نقشه گرمایش پیشنهاد داد. آنها گزارش دادند که استراتژی زمانبندی بازار از استراتژی خرید و فروش ساده و بی نظیر در سال 1993-2014 ، با پاداش نسبتاً بالاتری نسبت به نوسانات فراتر رفته است.

ابزارهای اندازه گیری عملکرد از جمله شارپ ، M 2 ، آلفا جنسن و Treynor معمولاً در شرکت های مدیریت نمونه کارها برای گرفتن ظرفیت پرتفوی با استفاده از ابزارهای زمان بندی بازار پذیرفته می شوند. ابزارهای قیمت گذاری دارایی ، با معرفی ابزارهای اندازه گیری عملکرد ، به عنوان ابزاری برای کشف اجزای نمونه کارها که باید باعث بازده بالاتر یا پایین تر شوند ، معرفی شدند. به عنوان مثال ، مدل قیمت گذاری دارایی سرمایه از نظر مفهومی در شارپ (1964) فرض می کند که عناصر ریسک بازار بر روی نمونه کارها تأثیر می گذارد. اگرچه آلفا جنسن (جنسن 1968) به تفاوت بین بازده مورد انتظار و واقعی متکی است ، اما ریسک خاص شرکت را به خود اختصاص نمی دهد ، برای سرمایه گذار ضروری است (FAMA 1972). به همین ترتیب ، نسبت Treynor ، که توسط Treynor (1965) تهیه شده است ، فقط بازده اضافی در هر واحد خطر بازار ، مانند آلفا جنسن ، همانطور که در Aragon و Ferson بررسی شده است (2007) در نظر دارد. نسبت پاداش به نوسانات یا نسبت شارپ ، معرفی شده توسط شارپ (1964) ، بازده اضافی برای هر واحد از خطر را نشان می دهد. بازده اضافی نشان دهنده تفاوت بین نرخ بدون ریسک و بازده است. اولی معمولاً با نرخ قبض 3 ماهه خزانه داری ایالات متحده در حال اجرا است.

روش تحقیق