技术分析和离散错误发现率：来自MSCI的证据

观察到的趋势让我们注意到，在2008年全球金融危机的高峰时期，持续性更强。这些结果引导我们进一步探索财务压力水平是否会影响技术分析的盈利能力（见第6.4节）。这一练习还可以显示交易者需要如何适应，以及技术规则的盈利能力是多么持久。这种选择也可以被视为建模部分I型和II型错误之间的权衡（Harvey和Liu，2015），下一节将对此进行进一步研究。6.3交叉验证将数据分为IS和OOS对技术分析的OOS盈利能力起着重要作用（见第6.1和6.2节）。如果只保留完整样本数据中的一小部分进行测试，将采用OOS的交易策略，那么很可能会遗漏真正的发现（即假阴性）（Harvey和Liu，2015）。此外，我们有兴趣确定不仅在IS中重要而且在OOS中重要的技术交易规则。为了验证技术分析在实践中的价值，我们需要检查是否存在在OOS中有益且在IS和OOS中都重要的技术规则。因此，在本节中，我们基于交叉验证实验，以创新的方式重新评估OOS性能的稳健性。特别是，我们探索了Harvey和Liu（2015）提出的一种方法，该方法涉及全样本和IS-OOS证据的组合，以搜索幸存者的交叉点。假设我们的IS期（即两年）与相应的OOS期（即分别为一个月、三个月和六个月）相比不太短，我们保留先前计算的IS-OOS测试结果。这些涉及到在OOS中幸存下来的真正的技术交易规则，即盈利能力（正回报）。

同时，我们采用DFDR+/方法，以更宽松的目标率（即20%）为全样本范围选择显著积极的规则。我们考虑三个全样本周期，分别对应所检查的三个不同OOS周期和IS周期，同时我们每次都使用聚合数据集（例如，第一种情况下为两年和一个月的全样本）。最后，我们将IS-OOS观察到的结果与全样本模拟进行合并，以确定这两种方法提供的重要规则的潜在交集。然后，我们评估了属于交叉点的规则的性能。据我们所知，这是第一次采取这种做法。表11-13报告了上述交叉验证测试的结果。特别是，在考虑交易成本后，十二个交叉验证投资组合的平均OOS年化平均超额回报率的构建方式与前几节类似。括号中还报告了根据真实重要规则（如第5.1节中确定的规则）交叉验证规则的平均百分比。[表11此处]表11显示了我们针对一个月OOS案例的交叉验证结果。盈利能力过高，尤其是在全球金融危机期间（即2008-2009年）。在剩下的时间里，新兴市场指数表现出了最高的表现，并报告了非常健康的回报，在最近几年中仅略有下降。frontiermarkets指数表现出类似的模式。对于发达市场指数而言，技术交易规则在大多数时期的表现似乎都很有希望，而与发达市场和前沿市场相比，收益率相当低。

由于交叉验证规则是有利可图的OOS规则的一个子集，因此自然会预期正盈利能力。交叉验证规则的百分比差别很大。对于高级指数而言，这些数字的范围从正版IS规则的0.01%到17.41%（即美国都是），而新兴市场指数的范围从0.01%（即中国、巴西）到18.07%（即中国）。此外，前沿指数交叉验证规则的相关百分比从0.01%（即摩洛哥、约旦）扩展到18.14%（即摩洛哥）。平均而言，所有市场和时期的相关幸存者百分比为表2所示的2.47%。与交易规则范围（即21195条）相比，规则的实际数量很小（平均有30条规则）。然而，如前所述，这项工作的目的是研究技术分析在交易中是否有任何价值。所考虑的交易规则的范围在特征和参数方面是多样化的。实际上，从业者会考虑所有可用的ISinformation，并根据这些知识选择规则的子集。例如，在全球金融危机（即2008-2009年）等熊市/牛市时期，交易员可能不会考虑任何反向规则（即RSI）来预测OOS。换言之，问题在于是否存在能够在交叉验证实践中幸存下来的规则（如果有），而不是有多少规则。从我们的实践中得到的答案是肯定的，因为它发现，短期市场效率低下可能会导致盈利，而技术规则可以利用它们。

表12显示了我们对三个月OOS案例的测试结果。【此处表12】我们在技术交易规则绩效方面观察到了相同的特征；然而，与一个月内获得的收益相比，产生的收益幅度较小。交叉验证规则的百分比与前一种情况相同。表13显示了六个月OOS案例。【此处的表13】在六个月的OOSPhorizon中进行交叉验证实验所提供的证据显示，与使用一个月和三个月的所有指数和所有后样本期的相关数据相比，回报更低。这一发现与描述一般OOS结果的第6.1节一致，因为重要规则暴露于具有不同趋势的更长的采样后时期。本节的研究结果表明，真正有利可图的技术规则是存在的，技术分析在交易中仍然有价值。我们的DFDR+/方法能够识别这些规则的子集，如第6.2节所示。交叉验证规则的百分比可能看起来很小，但值得一提的是，本节的范围是检查is和OOS中是否确实存在真正可盈利的规则。这些结果也可以看作是oracle交易员在我们的数据集中应用技术规则的表现。6.4财务压力在前几节中，我们注意到2008年和2009年技术规则的绩效达到峰值，这与最近的全球金融危机相对应。我们投资组合的业绩在接下来的几年里有所恶化，但即使在发达市场，在扣除交易成本后，仍然存在盈利能力过剩的情况。

我们的结果与之前的最新文献相矛盾，这些文献认为，在技术分析的交易成本之后，近期没有发现超额盈利能力（参见Hsu等人，2010；Bajgrowicz和Scaillet，2012和Taylor，2014）。这些作者认为，近年来，交易所交易基金、算法交易、市场流动性、衍生品或其他宏观经济因素的影响的普及消除了过度盈利能力。虽然这些因素的影响不容忽视，但我们的结果指导我们探索财务压力对我们投资组合的影响。为了探索财务压力对我们投资组合的影响，我们首先需要衡量它。文献中有丰富的财务压力指数。它们之间的区别是基于前面讨论的，以前的文献中没有一个像这里所介绍的那样具有如此广泛的实证应用。之前的研究还采用了更为保守和耗时的MHT框架，并将其经验应用限制在特定的年份或时期。例如，让我们考虑MSCIUS指数的情况，即2年IS和1个月OOS（见表5）。如果我们的申请仅限于2014年或2015年，我们的解释将是反直径的。DFDR+/的灵活性和适应性以及计算能力的最新发展使我们能够进行实证分析，揭示以前未知的模式。用于构建它们的组件、它们的频率以及它们所应用的市场。在我们的研究中，我们应用了金融研究办公室（OFR）的压力指数。它们基于33个市场金融变量构建，涵盖美国、其他发达经济体和新兴市场。

我们将第6.1节中针对美国、发达和新兴市场的调查结果与相关美国、其他发达和新兴市场的压力指数报告的压力水平相匹配。下面，我们将介绍我们的投资组合在高金融市场压力和低金融市场压力下的表现。[这里的表14]我们注意到，当新兴市场和其他发达市场的金融压力较高时，技术规则的交易表现要好得多。年化回报率在高位比低位高出五到六倍。这一发现与Smith et al.（2018）中的证据一致，其中作者证明技术分析在情绪高涨时期相对更有用。在情绪高涨时期，金融市场表现出更强的趋势，这可以通过基于动量的技术交易规则来捕捉。OFRstress指数基于一系列反映金融市场情绪的指标。对我们来说，我们观察到了相反的趋势。在美国，当压力水平较低时，10年研究期内技术规则的平均盈利能力为正，而当压力水平较高时，技术规则的平均盈利能力为负。就资本化而言，美国市场是研究中市场中流动性最强、规模最大的市场。看来，在高金融压力时期，投资者会寻求更安全的资产，转向更复杂的算法交易模型，或转向其他市场。我们的结果可以用美国市场的交易员与他们的替代品相比的成熟程度来解释。一般而言，我们注意到财务压力似乎是技术分析绩效的一个重要因素，但其影响似乎取决于市场的相关特征。其他指数（如St。

Louis Fed金融压力指数和堪萨斯城金融压力指数）专注于一个特定的指数，而其他指数则停留在我们的样本之前（如国际货币基金组织压力指数）。我们选择指数的标准是，从研究中涵盖尽可能多的市场，并确保所有指数均采用相同的方法构建。我们注意到，MSCI和OFR指数并不完全对应。例如，“otheradvanced”OFR指数不包括美国。然而，在被引用最多的财务压力指数中，OFR与我们的研究最为接近。OFR财务压力指数具有每日频率，并且在某些时期具有波动性。我们只研究了1个月的OOS病例，因为我们有兴趣在可能的最高频率下测量先前压力水平的影响。有关OFR财务压力指数来源的列表，请参阅，https://www.financialresearch.gov/financial-stressindex/files/indicators/index.html.7.结论以往对股票市场技术分析绩效的研究很少关注某些特征，例如，研究单一的、通常先进的市场指数；技术交易规则的上限数量和系列；不分解他们真正盈利的家庭；忽视交易成本的非现实技术交易行为。此外，还有其他重要问题，如样本内（IS）/样本外（OOS）水平Forexercise技术分析的长度；财务压力对其绩效的影响；对技术分析盈利能力持续性的详细估计；技术交易规则的频率组合的重要性在于重新平衡，很少有人回答或根本没有回答。

因此，学术界和金融业迫切需要对股票指数的技术分析进行全面和最新的研究。在这项研究中，我们对2004年至2015年期间的12个MSCI先进、新兴和前沿指数运用了21195条技术规则。为此，我们研究了IS和OOS的盈利能力、其持续性、财务压力的作用，以及是否存在在IS和OOS范围内盈利且重要的规则。我们还将探讨IS和OOS的大小对技术分析性能的作用。此外，我们引入了一种新的多假设检验方法来控制数据捕捉偏差，从而帮助我们在一个巨大的技术交易规则领域中做出准确的统计推断。我们的DFRD+/采用了大规模同质离散p值框架，同时动态地执行其参数估计。它是一种完全自适应的计算和高效的数据窥探测试方法，可以帮助学者和投资者处理大型数据集和大量竞争模型。蒙特卡罗模拟证明了其准确性，并证明了其在功率方面相对于强大的FDR基准的优势。DFRD+/方法确定了在IS和OOS中真实且可盈利的技术规则子集。在所有市场中表现优异的系列中，大多是均线移动、通道突破、支撑和阻力的系列，它们属于动量类技术交易。逆转策略的表现似乎较弱，仅在特定市场（如英国和约旦）存在显著影响。

此外，技术分析的可行性和持续性在指数和年份之间的OOS中有所不同，但我们观察到2008年和2009年的峰值。在接下来的一段时间里，技术分析的盈利能力下降，但在最近的一段时间里再次恢复。关于技术分析的持久性，它高于美国指数。我们注意到，当IS减少到一年或OOS增加到三个月或六个月时，我们的所有结果都会受到负面影响。对于同一个美国市场，我们还观察到，当金融压力水平较低时，技术分析会获得价值，而对于新兴市场和其他发达市场，我们会得到相反的结果。最后，一项新的交叉验证实践证实，少量技术规则在IS和IS-OOS期间都是真实的和有利可图的。我们的结果表明，即使在发达市场，技术分析仍然有价值，可以利用短期市场的低效率。其盈利能力随着年份和指标的变化而变化，似乎是几个参数的一个因素。我们的实证研究揭示了两个因素，即财务压力水平和IS和OOS的选择。我们的结果也在一定程度上解释了以前文献中的不一致之处。该领域先前的部分研究试图确定是否长期存在真正的技术规则（Brock et al.，1992；Hsu et al.，2010；Hsu et al.2016）。我们的结果表明，技术规则的盈利能力具有短期持续性。一项技术规则在较长时期内不盈利并不意味着技术分析没有价值。其他研究仅关注OOS测试的个别指数和/或特定年份（Brock等人，1992年；Sullivan等人，1999年；Bajgrowicz和Scaillet，2012年）。

如前所述，技术分析盈利能力随着年份和指数的变化而变化，这一事实在我们新颖的DFRD+/的帮助下得以揭示，其适应性使我们能够进行大规模的实证分析。关注特定的指数或年份可能会导致误导性结果，因为技术规则的有效性似乎极不稳定。致谢我们感谢Laurent Barras、Campbell R.Harvey、Fearghal Kearney、Neil Kellard、Christopher J.Neely和Guofu Zhou以及Oviedo大学（2017）、纽卡斯尔大学（2017）预测金融市场（2017）和定量金融与风险分析（2017）会议和研讨会参与者的评论，圣安德鲁斯大学（2018）、格拉斯哥大学（2018）、卡斯商学院（2018）、格拉斯哥大学（2019）和拉古纳大学（2019）。任何错误均由作者自行负责。参考Allen，H.L.和Taylor，M.P.，1992年。图表分析。摘自：Milgate，M.、Newman，P.、Eatwell，J.（编辑），《新帕尔格雷夫货币和金融词典》。麦克米伦，伦敦，第339-342页。Asness，C.S.、Moskowitz，T.J.和Pedersen，L.H.，2013年。价值和动力无处不在。《金融杂志》68（3），929-985。Bajgrowicz，P.和Scaillet，O.，2012年。重温技术交易：错误发现、持久性测试和交易成本。《金融经济学杂志》106（3），473-491。Barras，L.、Scaillet，O.和Wermers，R.，2010年。共同基金业绩中的错误发现：在估计的Alpha中衡量运气。《金融杂志》65（1），179-216。Bena，J.、Ferreira，M.A.、Matos，P.和Pires，P.，2017年。外国投资者是蝗虫吗？外国机构所有权的长期影响。《金融经济学杂志》126（1），122146。Benjamini，Y.，2010年。