技术分析和离散错误发现率：来自MSCI的证据

例如，再次考虑（3，-3）夏普比率对，其中10%-DFDR+组合有效地收敛到8%的FDR率，并成功地发现平均64.74%的最佳性能规则。另一方面，相应的10%富兰克林·罗斯福投资组合平均只发现了30.27%的最佳表现规则，而其目标利率仅为7.3%。当涉及到投资组合的规模时，通过充分选择3048条规则，10%DFDR+方法的表现优于10%FDR方法，而基准方法仅检测到1907条。将罗斯福的目标利率提高到20%不会影响模式，因为它将选择权提高到39.86%，而投资组合规模不会受到影响（1907年）。然而，20%的DFDR+通过检测平均66.3%的跑赢大市规则表现得更好，并形成了3322条交易规则的组合。就目标利率而言，20%-DFDR+Portfoliofall低于20%，FDR+达到10.59%。渐近理论是这一结果最可能的原因，但20%的DFDR+投资组合仍然能够成功处理数据。我们通过替换中性交易规则的实际比例（即，而不是估计的比例（即），来计算实际的错误发现率（FDR+）。如上所示的窥探偏见。总的来说，我们的蒙特卡罗实验无疑表明，与保守的FDR方法相比，FDR+/方法具有更大的威力，如Storey et al.（2004）程序。附录B是绩效、分解分析和稳健性练习。我们重复所有练习，这次将回顾期设置为一年，将OOS分别设置为3个月、6个月和9个月。

图B.1和表B.1至B.5报告了IS性能、盈亏平衡交易成本和OOS性能的所有相关结果。表B.6至B.10以百分比的形式给出了每年每类规则对幸存者总体的准确贡献，正如第5.1节表4中所示的那样。B、 1。IS绩效关于IS绩效，表B.2给出了一年回顾期内单向交易成本后的年度化回报和重要规则的夏普比率，与IS绩效部分的表3类似。【此处的表B.2】对比相应的表3和B.2，我们得出结论，当使用一年作为回溯期时，交易规则的表现在超额平均回报和夏普比率标准方面都有所改善。当然，这在某种程度上是可以预料到的，因为样本期越大，技术交易规则就越容易受到波动和市场风险的影响，大多数情况下会导致绩效下降。在较小的样本范围内实现较高的ISreturns不仅是相关文献的常见现象，也是交易台的常见现象。B、 2分解分析我们分别对五个系列的技术交易规则进行分解分析，我们在表B.3-B.7中给出了DFDR+/程序幸存者中每个系列的盈利能力百分比。【此处为表B.3】【此处为表B.4】【此处为表B.5】【此处为表B.6】【此处为表B.7】RSI和支撑与阻力规则在近期（即20122015）的表现似乎更好，报告了重要规则组合中的贡献，而只有少数规则在早期存活。此外，过滤规则的性能因年份而异，2009年和2010年是盈利能力最好的年份。

同样的发现似乎也适用于频道突破规则，但它们似乎对2010年之前的整体portfolioperformance贡献更大。最后，多年来，移动平均线在投资组合盈利能力中所占比例最大，在研究期的上半年（即20062011年）表现最好。B、 3盈亏平衡交易成本就盈亏平衡交易成本而言，图B.1显示了每月OOS基础上选择的表现最佳的技术交易规则每年的平均盈亏平衡交易成本的相应大小，以及每个指数的平均盈亏平衡交易成本。然而，这次是一年。【图B.1】边境和新兴市场（即巴西、摩洛哥、俄罗斯）再次报告了前四年总体上最高的盈亏平衡交易成本。此外，英国令人惊讶地实现了2009年最高的盈亏平衡成本之一。当涉及到其余年份时，直到最近一段时间，这些成本都有相当大的衰减，类似于图1，其中使用了两年。然而，并非所有市场都是如此。例如，对于一些新兴和前沿国家，如俄罗斯和爱沙尼亚，盈亏平衡的交易成本似乎分别在2015年和2013年恢复。总体而言，与两年期相比，中断事件交易成本及其明显的周期性并不高，如图1所示。B、 4 OOS绩效然而，对于技术交易员来说，最重要的是OOS模拟结果，而不是is结果。

表B.8-B.10对应于一年的回顾期，同时考虑到OOS期分别为一个月、三个月和六个月。[这里的表B.8][这里的表B.9][这里的表B.10]在这种情况下，我们观察到关于每次选择的IS期限的相反证据。例如，将对应于两年IS期和相同EOOS期的表4-6与表B.8-B.10进行比较，第一种方法提供的结果更有利。我们可以将这些发现归因于这样一个事实，即在搜索预测性技术交易规则时包含更多信息（更大的历史样本），会导致更好的OOS表现。此外，我们还可以从技术交易规则的具体特征和参数化方面解释上述发现。例如，我们使用technicaltrading规则，即使是同一家族的规则，其滞后值从一天到一年不等（例如，分别为两天和五天的双移动平均值；分别为150天和250天的双移动平均值）。这意味着它们都需要不同的时间段来捕捉所有可用的市场趋势、动量或反转。选择一个小的IS周期（即一年）可能会为利用之前短期市场回报（即两天和五天的双倍移动平均值）的交易规则提供足够的信息，但对于回顾更长的市场波动周期（即分别为150天和250天的双倍移动平均值）的交易规则而言，则没有足够的输入。

因此，在我们看来，根据策略的属性考虑一个足够有效的范围，同时设置一个最优的IS/OOSratio，对于选择最佳预测规则同样重要。我们通过观察三个不同OOS期间（即一个月、三个月和六个月）和本附录中一年期间的重要技术交易规则的相应性能，进一步研究了所选样本期的IS和OOS比率的上述最优性。就所有考虑市场（即最后一行）的平均年绩效而言，表B.8–B.10根据平均回报和夏普比率指标揭示了技术交易规则的OOS超额利润的具体模式。具体而言，从2006年到2009年，使用一个月的短期OOS，与使用的较长期限（即三个月和六个月）相比，实现了更高的平均回报率以及夏普比率，这表明随着这些年OOS期限的变大，会出现衰退。相反，这一现象在2010-2012年期间有一个转折点。OOS周期越长，平均收益率和夏普比率越大。尽管如此，我们必须注意到，这两个指标在这些年里似乎都是负面的。在接下来的几年（即2013-2015年），技术交易规则使用一个月的OOS期限表现更好，甚至在2015年产生了积极的指标。一般来说，当我们接近所有OOS周期和所有考虑的市场的最新周期时，盈利能力会下降。这一证据与第6.1节中所述的一般发现相一致，当时考虑的是两年期。当谈到整个十年期间（即最后一列）每个市场的平均表现时，情况就大不相同了。

一般来说，没有明确的证据支持特定的OOS周期，有时使用的两种性能指标都会提供矛盾的结果。我们得出结论，最合适的OOS范围取决于所开发的特定市场。对于发达市场，随着OOS期限的延长，交易规则的绩效似乎会随着夏普比率的提高而提高，但当采用平均超额回报率作为绩效标准时，情况并非如此。对于新兴市场和前沿市场，结果提供了相反的结果，即使用的OOS期限越短，技术交易规则的表现越好，这与平均回报率和夏普比率都一致。尽管如此，我们还必须指出，技术性交易规则在大多数情况下表现不佳，尤其是在发达市场，这再次证明了使用两年期anIS的合理性。图图1。DFDR+程序中表现最好的幸存者的盈亏平衡成本（为2年）该值以百分比表示，并计算为交易成本，该交易成本将研究期间的超额回报率设置为零。IS周期设置为两年，而图A.1中提供了一年IS的相同结果。通过在每个月初重复该程序计算值，平均12个月。0.0010.0020.0030.0040.0050.0060.0020062007 2008 2009 2011 2012 2014 2015先进日英美新兴巴西中俄边境爱沙尼亚约旦摩洛哥图B.1。DFDR+程序中表现最好的幸存者的盈亏平衡成本（为1年）该值以百分比表示，并计算为交易成本，该交易成本在研究期间将超额回报率设置为零。IS周期设置为一年。

通过在每月开始时重复该程序并在12个月内取平均值来计算这些值。0.0010.0020.0030.0040.0050.0060.0070.002006 2007 2009 2010 2012 2013 2015先进日英美新兴巴西中俄边境爱沙尼亚约旦摩洛哥