Longas estratégias de negociação de mercado de curto mercado para os mercados atuais

Dinâmica de Mercado Longo / Curto (eBook, PDF)

Estratégias de negociação para os mercados de hoje.

Einmalig pro Kunde einen Monat kostenlos testen (dinâmico 9,90 EUR pro Monat), jeden Monat 4 aus 40 Titeln wählen, monatlich kündbar.

Dinâmica de Mercado Longo / Curto (eBook, PDF)

Estratégias de negociação para os mercados de hoje.

Formato: PDF.

2. tolino selecione Abo.

Os fundos Hedge são agora os maiores players de volume nos mercados de capital. Eles seguem uma grande variedade de estratégias, mas as atividades substituíram e ofuscaram o modelo tradicional do gerente de portfólio único. Muitos dos indicadores técnicos tradicionais e as estratégias de negociação comumente aceitas tornaram-se obsoletas ou ineficazes. O foco em todo o livro é descrever as principais inovações que foram feitas nos mercados de ações ao longo de vários anos e que mudaram as regras básicas para as atividades de transação. Ao entender essas mudanças, o activetrader é & hellip; mehr.

Dinâmica de Mercado Longo / Curto: Estratégias de Negociação para Mercados de Hoje.

Direitos autorais e cópia; 2007 Clive M. Corcoran.

Editor (es): Clive M. Corcoran.

Publicado Online: 19 SEP 2018 12:42 AM EST.

Imprimir ISBN: 9780470057285.

ISBN online: 9781119208914.

Sobre este livro.

Os fundos hedge são agora os maiores players de volume nos mercados de capitais. Eles seguem uma grande variedade de estratégias, mas suas atividades substituíram e ofuscaram o modelo tradicional do único gerente de carteira. Muitos dos indicadores técnicos tradicionais e as estratégias de negociação comumente aceitas tornaram-se obsoletas ou ineficazes.

O foco em todo o livro é descrever as principais inovações que foram feitas nos mercados de ações nos últimos anos e que mudaram as regras básicas para as atividades de negociação. Ao entender essas mudanças, o comerciante ativo está muito melhor equipado para lucrar nos mercados mais complexos e arriscados de hoje. A dinâmica de Mercado Longo / Curto inclui:

Uma técnica completamente nova, a Análise Comparativa de Quantiles, para identificar os pontos de viragem do mercado é introduzida. Baseia-se em técnicas estatísticas que podem ser usadas para reconhecer o fluxo de dinheiro e as divergências de preço / impulso que podem proporcionar oportunidades de lucro substanciais. As leis de poder, as mudanças de regime, a criticidade auto-organizada, as transições de fase, a dinâmica da rede, a economia, a negociação algorítmica e outras idéias da ciência da complexidade são examinadas. Todos são descritos o mais concretamente possível e evitam a matemática e o formalismo desnecessários. A geração alfa, a construção de carteiras, as taxas de cobertura e as carteiras beta neutras são ilustradas com estudos de caso e exemplos trabalhados. Episódios de contágio financeiro são ilustrados com uma explicação proposta de suas origens dentro da dinâmica do mercado subjacente.

Clive Corcoran.

Nome do verdadeiro nome: Clive Corcoran.

Ocupação: analista, consultor, treinador financeiro.

Interesses: Hedge Funds, Stocks.

Clive M. Corcoran tem sede em Londres e tem sido um comerciante ativo por muitos anos em ambos os lados do Atlântico. Ele é um consultor de investimentos que se concentra em estratégias de redução de risco e de mercado neutro. Seu livro Long / Short Market Dynamics: Estratégias de negociação para os mercados de hoje foi publicado pela Wiley em 2007 e seus artigos apareceram na Traders 'Magazine e no Active Trader. Ele é um comunicador reconhecido nos mercados de capitais e tem sido um falante destacado em exposições comerciais e workshops. Ele também foi um analista convidado no CNBC's European Closing Bell. Ele é editor e editor de uma análise diária de mercado que é publicado no TradeWithForm (tradewithform).

Clive Corcoran escreve quase todos os dias em mercados e memes. Sua mensagem é fazer idéias complexas tão simples quanto possível, mas não mais simples.

O autor realizou uma grande tarefa com este livro. Mas a tarefa é bem digna de exame, pois é tão vital para a infra-estrutura sombria do sistema financeiro global. Para usar o termo que o próprio autor usa ao longo do livro - o papel de "offshore" em finanças - tem sido extremamente ignorado na literatura acadêmica mainstream sobre finanças e economia e # 8230;

A proposição básica neste artigo é que houve evidências significativas (reconhecidamente de natureza bastante técnica), demonstradas em "dificuldades" de mercado recentes, que existe uma força relativa considerável para o Russell 2000, o índice de micro capitalização dos EUA, em Comparação com o índice de cap maior da $ S & amp; P 500. Após as condições tumultuadas na maioria das classes de ativos durante a última semana ou mais, existem alguns interessantes & # 8230;

Ontem não foi decididamente um bom dia para os espíritos animais, já que a maioria dos ativos de risco gastou o dia em espiral para baixo. A seguir, o gráfico de 240 minutos para os futuros de e-Mini S & amp; P 500 (contrato de março de 2018), que fornece uma ilustração muito clara dos mergulhos de ontem (e outros recentes), e também o gráfico indica uma barreira clara que precisará ser superado nas próximas sessões & # 8230;

Vários comentaristas (incluindo eu próprio) assinalaram recentemente que mais do que nunca os mercados de ativos estão sendo impulsionados pela evolução dos preços nos mercados cambiais. E na negociação de ontem através de vários pares FX e observando os movimentos associados em ações, ouro, petróleo e outras commodities, o tema amplo foi exemplificado por excelência. Aqui estão alguns "Big Picture" temas para um "vestido para baixo" Coluna de sexta-feira. 1. & # 8230;

O rali sem voltagem em ações continua e para o S & P; P 500, apesar de algum comportamento de whipsaw na sessão de ontem, a expectativa é que o alvo 1130 agora possa ser visto nas próximas sessões, possivelmente até hoje. Muitos comentadores alegres podem ser encontrados, e os problemas da zona do euro, que estavam pendurados no mercado há apenas algumas semanas, parecem ter sido relegados e # 8230;

Risco de liquidez sistêmica e mercados bipolares: gerenciamento de riqueza no risco macro de hoje / risco fora do ambiente financeiro.

E-kirja, ePUB, Adobe DRM-suojattu.

A crise dramática e bem cronica de 2007/8 marcou um momento decisivo para todas as partes interessadas nos mercados de capitais globais. No final, os mercados financeiros se tornaram ainda mais estreitamente acoplados, uma vez que as correlações nos retornos em várias classes de ativos foram em níveis historicamente elevados. Investidores e gestores de fundos são, em muito maior grau do que anteriormente e muitas vezes muito mais do que eles percebem, sujeito ao risco de destruição severa de riqueza. O risco final, que não é adequadamente caracterizado pela noção amplamente divulgada de risco de cauda, ​​é o risco sistêmico que surge quando a liquidez nos mercados se evapora completamente. Não só isso aconteceu no segundo semestre de 2008, mas tem sido repetido episódicamente desde então, & ndash; mais notavelmente em maio de 2018, em um incidente conhecido como Flash Crash, e no outono de 2018, quando as correlações estavam em níveis historicamente elevados.

As ferramentas e técnicas convencionais de alocação de ativos não conseguiram manter-se em marcha com o cenário financeiro em mudança que surgiu desde 2008. Além da preponderância da negociação algorítmica e das mudanças associadas nas características de liquidez dos mercados financeiros, um novo paradigma de risco / risco A partir da alocação de ativos surgiu. O risco de risco / risco é um estilo amplamente adotado de negociação e estratégia de alocação de macro onde as posições são tomadas em várias classes de ativos estreitamente alinhadas, dependendo do sentimento predominante ou do apetite por risco. As conseqüências do dia a dia (e intradiário) mudar entre um risco ou risco de estratégias táticas traz novos desafios significativos para os investidores que ainda estão fazendo decisões de investimento com noções antiquadas da teoria tradicional de alocação de ativos.

Como pode um amortecer o impacto de eventos sistemicamente ameaçadores quando a capacidade de sair de instrumentos financeiros torna-se quase inexistente? Como se pode confiar na integridade dos modelos financeiros e na teoria financeira macro ortodoxa que se tornaram cada vez mais desacreditadas? Os bancos centrais podem ser confiados para tornar-se os contrapartes de último recurso e fornecer uma rede de segurança no sistema financeiro? Essas questões vitais, e muitas outras, precisam ser abordadas por todos os que estão interessados ​​nos mercados financeiros modernos e são abordados no Risco sistêmico de liquidez e nos mercados bipolares.

Os mercados que funcionam corretamente exigem fricção ou opinião dividida, e isso precisa ser lubrificado pelas comunicações dos banqueiros centrais, analistas econômicos, executivos corporativos e assim por diante. Enquanto tais mensagens e condições de mercado permanecerem ambíguas, fornecendo informações assimétricas a diferentes players do mercado, então as condições estão presentes para permitir a preservação da liquidez sistêmica. Visto neste contexto, o paradigma prevalecente do risco bipolar em risco de alocação de ativos é um pré-requisito para os mercados líquidos, e também paradoxalmente, quando um lado da polaridade se torna muito extremo, uma fonte importante de instabilidade sistêmica. Se essas polaridades se tornassem desequilibradas de forma crítica e se os sinais recebidos pelos agentes do mercado se tornassem simetricamente desvantajosos como estavam no outono de 2008, uma crise de liquidez sistêmica ainda mais substancial do que a observada nesses tempos problemáticos é uma possibilidade perigosa.

Além das práticas ferramentas de gerenciamento de risco e táticas recomendadas no Risco Sistêmico de Liquidez e nos Mercados Bipolares, existe uma narrativa provocativa e convincente para fornecer aos investidores ansiosos e perplexos uma explicação coerente do ambiente financeiro pós-GFC e que deve ajudá-los em navegando pelas águas agitadas à frente.

PLOS ONE.

Submissões Introdução Diretrizes de submissão Figuras Tabelas Informações de suporte LaTeX Revisando seu manuscrito Enviar agora Políticas Melhores práticas em relatórios de pesquisa Assuntos humanos Pesquisa Pesquisa em animais Interesses concorrentes Divulgação de fontes de financiamento Licenças e direitos autorais Disponibilidade de dados Materiais e software Compartilhamento Prática de publicação ética Autoria Downloads e traduções Revisão de manuscritos e Critérios de Publicação para Publicação Editorial e Processo de Revisão de Pares Revisor Diretrizes Manuscritos Aceitos Correções e Retrações Comentários Métricas de nível de artigo.

Envie seu manuscrito.

Descubra um caminho mais rápido e simples para publicar em um jornal de alta qualidade. O PLOS ONE promete uma revisão de pares rigorosa e rigorosa, um amplo escopo e um público amplo - um ajuste perfeito para sua pesquisa de cada vez.

Clique na taxonomia PLOS para encontrar artigos em seu campo.

Para obter mais informações sobre áreas de assunto PLOS, clique aqui.

As estratégias de negociação aleatória são mais bem sucedidas do que as técnicas?

Afiliação Dipartimento de Economia e Imprensa, Universitá di Catania, Catania, Itália.

Afiliações Dipartimento de Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.

Afiliações Dipartimento de Fisica e Astronomia, Università di Catania, Catania, Itália, INFN sezione di Catania, Catania, Itália.

Afiliação ETH Zurique, Zurique, Suíça.

As estratégias de negociação aleatória são mais bem sucedidas do que as técnicas?

Alessio Emanuele Biondo, Alessandro Pluchino, Andrea Rapisarda, Dirk Helbing.

Publicado: 11 de julho de 2018 https: //doi/10.1371/journal. pone.0068344.

Abstrato.

Neste trabalho, exploramos o papel específico da aleatoriedade nos mercados financeiros, inspirados pelo papel benéfico do ruído em muitos sistemas físicos e em aplicações anteriores a sistemas socioeconômicos complexos. Após uma breve introdução, estudamos o desempenho de algumas das estratégias de negociação mais utilizadas para prever a dinâmica dos mercados financeiros para diferentes índices internacionais de bolsa de valores, com o objetivo de compará-los ao desempenho de uma estratégia completamente aleatória. A este respeito, dados históricos para FTSE-UK, FTSE-MIB, DAX e S & amp; Os índices P500 são levados em conta por um período de cerca de 15-20 anos (desde a sua criação até hoje).

Citação: Biondo AE, Pluchino A, Rapisarda A, Helbing D (2018) As estratégias de negociação aleatória são mais bem-sucedidas do que técnicas? PLoS ONE 8 (7): e68344. https: //doi/10.1371/journal. pone.0068344.

Editor: Alejandro Raul Hernández Montoya, Universidad Veracruzana, México.

Direitos autorais: © 2018 Biondo et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença de Atribuição de Commons, que permite uso, distribuição e reprodução sem restrições em qualquer meio, desde que o autor original e a fonte sejam creditados.

Financiamento: os autores não têm apoio ou financiamento para denunciar.

Interesses concorrentes: os autores declararam que não existem interesses concorrentes.

Introdução.

Na física, tanto no nível clássico quanto no quântico, muitos sistemas reais funcionam bem e de forma mais eficiente devido ao papel útil de um ruído fraco aleatório [1] - [6]. Mas não só os sistemas físicos se beneficiam da desordem. De fato, o ruído tem grandes influências sobre a dinâmica das células, neurônios e outras entidades biológicas, mas também nos sistemas ecológicos, geofísicos e socioeconômicos. Seguindo esta linha de pesquisa, investigamos recentemente como as estratégias aleatórias podem ajudar a melhorar a eficiência de um grupo hierárquico para enfrentar o princípio de Peter [7] - [9] ou uma instituição pública como o Parlamento [10]. Outros grupos exploraram com sucesso estratégias semelhantes em jogos de minoria e Parrondo [11], [12], na avaliação do desempenho do portfólio [13] e no contexto do leilão contínuo [14].

Recentemente, Taleb comentou brilhantemente em seus livros bem sucedidos [15], [16] como os cisnes pretos e negros governam nossa vida, mas também o comportamento da economia e do mercado financeiro além de nossas expectativas ou controle pessoais e racionais. Na verdade, a aleatoriedade entra em nossa vida cotidiana, embora dificilmente a reconheçamos. Portanto, mesmo sem ser tão céticos quanto Taleb, pode-se facilmente afirmar que muitas vezes entendemos os fenômenos que nos rodeiam e são enganados por conexões aparentes que são apenas devidas à fortuidade. Os sistemas econômicos são inevitavelmente afetados pelas expectativas, presentes e passadas, uma vez que as crenças dos agentes influenciam fortemente suas dinâmicas futuras. Se hoje uma ótima expectativa surgisse sobre o desempenho de qualquer segurança, todos tentariam comprá-lo e essa ocorrência implicaria um aumento no preço. Então, amanhã, essa segurança teria um preço maior do que hoje, e esse fato seria apenas a conseqüência da própria expectativa de mercado. Esta profunda dependência das expectativas fez com que os economistas financeiros tentassem construir mecanismos para prever os preços dos ativos futuros. O objetivo deste estudo é precisamente verificar se esses mecanismos, que serão descritos em detalhes nas próximas seções, são mais efetivos para prever a dinâmica do mercado em comparação com uma estratégia completamente aleatória.

Em um artigo anterior [17], motivado também por algumas experiências intrigantes onde uma criança, um chimpanzé e dardos foram utilizados com sucesso para investimentos remunerativos [18], [19], já encontramos algumas evidências a favor de estratégias aleatórias para o FTSE - Mercado de ações no Reino Unido. Aqui, vamos estender essa investigação a outros mercados financeiros e a novas estratégias de negociação. O artigo está organizado da seguinte forma. A seção 2 apresenta uma breve introdução ao debate sobre a previsibilidade nos mercados financeiros. Na Seção 3, apresentamos as séries temporais financeiras consideradas em nosso estudo e realizamos uma análise desconsiderada na busca de possíveis correlações de algum tipo. Na Seção 4, definimos as estratégias de negociação usadas em nossas simulações enquanto, na Seção 5, discutimos os principais resultados obtidos. Finalmente, na Seção 6, extraímos nossas conclusões, sugerindo também algumas implicações de política contra-intuitiva.

Expectativas e previsibilidade nos mercados financeiros.

Como Simon [20] apontou, os indivíduos assumem sua decisão com base em um conhecimento limitado sobre seu ambiente e, portanto, enfrentam altos custos de busca para obter informações necessárias. No entanto, normalmente, eles não podem reunir todas as informações que devem. Portanto, os agentes agem com base na racionalidade limitada, o que leva a tendências significativas na maximização de utilidade esperada que eles perseguem. Em contraste, Friedman [21] defendeu a abordagem do agente racional, que considera que o comportamento dos agentes pode ser melhor descrito assumindo sua racionalidade, uma vez que os agentes não racionais não sobrevivem à concorrência no mercado e são expulsos. Portanto, nem os preconceitos sistemáticos na utilidade esperada, nem a racionalidade limitada podem ser usados ​​para descrever os comportamentos dos agentes e suas expectativas.

Sem qualquer receio de contradição, pode-se dizer que, hoje em dia, dois principais modelos de referência de expectativas foram amplamente estabelecidos na literatura econômica: modelo de expectativas adaptativas e modelo de expectativa racional. Aqui não iremos dar uma definição formal desses paradigmas. Para nossos propósitos, basta lembrar sua lógica. O modelo de expectativas adaptativas é baseado em uma série de valores aparentemente ponderados (para que o valor esperado de uma variável seja o resultado da combinação de seus valores passados). Em contraste, o modelo de expectativas racionais hipotema que todos os agentes têm acesso a todas as informações disponíveis e, portanto, conhecem exatamente o modelo que descreve o sistema econômico (o valor esperado de uma variável é então a previsão objetiva fornecida pela teoria). Essas duas teorias remontam a contribuições muito relevantes, entre as quais nos referimos a Friedman [21], [22], Phelps [23] e Cagan [24] para expectativas adaptativas (vale a pena notar que a noção de " expectativas adaptativas "foi introduzida pela primeira vez pela Arrow e Nerlove [25]). Para expectativas racionais, nos referimos a Muth [26], Lucas [27] e Sargent-Wallace [28].

Os mercados financeiros geralmente são tomados como exemplo para dinâmicas complexas e volatilidade perigosa. Isso de alguma forma sugere a idéia de imprevisibilidade. No entanto, devido ao papel relevante desses mercados no sistema econômico, um vasto leque de literatura foi desenvolvido para obter algumas previsões confiáveis. De fato, a previsão é o ponto-chave dos mercados financeiros. Desde Fama [29], dizemos que um mercado é eficiente se ocorrer arbitragem perfeita. Isso significa que o caso de ineficiência implica a existência de oportunidades para lucros inexplorados e, claro, os comerciantes operariam imediatamente posições longas ou curtas até que desaparecesse qualquer possibilidade de lucro. Jensen [30] afirma precisamente que um mercado deve ser considerado eficiente em relação a um conjunto de informações se for impossível fazer lucros através da negociação com base nesse conjunto de informações. Isso é consistente com Malkiel [31], que argumenta que um mercado eficiente reflete perfeitamente toda a informação na determinação dos preços dos ativos. Como o leitor pode entender facilmente, a parte mais importante dessa definição de eficiência depende da integridade do conjunto de informações. De fato, Fama [29] distingue três formas de eficiência do mercado, de acordo com o grau de completude do conjunto informativo (ou seja, "fraco", "semi-forte" e "forte"). Assim, os comerciantes e os analistas financeiros procuram continuamente expandir seu conjunto de informações para ganhar a oportunidade de escolher a melhor estratégia: este processo envolve agentes tanto em flutuações de preços que, no final do dia, pode-se dizer que sua atividade é reduzida a uma suposição sistemática. A globalização completa dos mercados financeiros ampliou esse processo e, eventualmente, estamos experimentando décadas de extrema variabilidade e alta volatilidade.

Keynes argumentou, há muitos anos, que a racionalidade dos agentes e da psicologia em massa (os chamados "espíritos animais") não deve ser interpretada como se fosse a mesma coisa. O autor apresentou o famoso exemplo do concurso de beleza para explicar a lógica embaixo dos mercados financeiros. Em sua Teoria Geral [32] ele escreveu que "o investimento baseado em expectativas genuínas de longo prazo é tão difícil de ser praticamente praticável. Aquele que o tenta certamente deve levar dias muito mais laboriosos e correr riscos maiores do que aquele que tenta adivinhar melhor do que a multidão como a multidão se comportará; e, dada a mesma inteligência, ele pode cometer erros mais desastrosos. "Em outras palavras, para prever o vencedor do concurso de beleza, deve-se tentar interpretar a beleza preferida do jurado, ao invés de prestar atenção no ideal da beleza objetiva. Nos mercados financeiros é exatamente a mesma coisa. Parece impossível prever preços de ações sem erros. A razão é que nenhum investidor pode saber antecipadamente a opinião "do júri", ou seja, de uma massa generalizada, heterogênea e muito substancial de investidores que reduz qualquer previsão possível apenas para um palpite.

Apesar de considerações como essas, a chamada Hipótese do Mercado Eficiente (cujo principal fundamento teórico é a teoria das expectativas racionais), descreve o caso de mercados perfeitamente competitivos e agentes perfeitamente racionais, dotados de todas as informações disponíveis, que escolhem as melhores estratégias ( uma vez que o mecanismo de compensação competitivo os colocaria fora do mercado). Há evidências de que esta interpretação de um mecanismo de arbitragem perfeito totalmente funcional não é adequada para analisar mercados financeiros como, por exemplo: Cutler et al. [33], que mostra que grandes movimentos de preços ocorrem mesmo quando pouca ou nenhuma informação nova está disponível; Engle [34], que relatou que a volatilidade dos preços está temporariamente correlacionada temporariamente; Mandelbrot [35], [36], Lux [37], Mantegna e Stanley [38], que argumentam que as flutuações de preços curtos não são normais; ou por último, mas não menos importante, Campbell e Shiller [39], que explicam que os preços podem não refletir com precisão as avaliações racionais.

Muito interessante, uma infinidade de modelos de agentes heterogêneos foram introduzidos no campo da literatura financeira. Nestes modelos, diferentes grupos de comerciantes coexistem, com diferentes expectativas, influenciando-se mutuamente por meio das conseqüências de seus comportamentos. Mais uma vez, nossa discussão não pode ser exaustiva aqui, mas podemos citar com franqueza pelo menos as contribuições de Brock [40], 41, Brock e Hommes [42], Chiarella [43], Chiarella e He [44], DeGrauwe et al . [45], Frankel e Froot [46], Lux [47], Wang [48] e Zeeman [49].

Parte desta literatura refere-se à abordagem, denominada "sistemas de crenças adaptativas", que tenta aplicar não-linearidade e ruído aos modelos de mercado financeiro. A incerteza intrínseca sobre os fundamentos econômicos, juntamente com erros e heterogeneidade, leva à idéia de que, além do valor fundamental (ou seja, o valor atualizado atual dos fluxos esperados de dividendos), os preços das ações flutuam imprevisivelmente por fases de otimismo ou pessimismo de acordo para as fases correspondentes da tendência de alta e tendência de baixa que causam crises de mercado. Como gerenciar esse tipo de comportamento errático para otimizar uma estratégia de investimento? Para explicar a atitude muito diferente adotada pelos agentes para escolher estratégias ao negociar nos mercados financeiros, é feita uma distinção entre fundamentalistas e chartist. Os primeiros baseiam suas expectativas sobre os preços dos ativos futuros sobre os fundamentos do mercado e fatores econômicos (ou seja, variáveis ​​micro e macroeconômicas, como dividendos, ganhos, crescimento econômico, taxas de desemprego, etc.). Por outro lado, os últimos tentam extrapolar tendências ou características estatisticamente relevantes de séries passadas de dados, para prever caminhos futuros dos preços dos ativos (também conhecida como análise técnica).

Dado que a interação desses dois grupos de agentes determina a evolução do mercado, escolhemos aqui para se concentrar no comportamento dos chartists (uma vez que uma análise qualitativa sobre os fundamentos macroeconômicos é absolutamente subjetiva e difícil de avaliar), tentando avaliar o ex investidor individual - capacidade de previsão significativa. Supondo a falta de informações completas, a aleatoriedade desempenha um papel fundamental, uma vez que a eficiência é impossível de ser alcançada. Isto é particularmente importante para sublinhar que a nossa abordagem não depende de qualquer forma do paradigma de hipóteses de mercados eficientes acima mencionados. Mais precisamente, estamos buscando a resposta para a seguinte questão: se um comerciante assume a falta de informações completas através de todo o mercado (ou seja, a imprevisibilidade da dinâmica dos preços das ações [50] - [53]), um ex-ante aleatório A estratégia de negociação desempenha, em média, estratégias de negociação bem conhecidas? Passamos da evidência de que, uma vez que cada agente depende de um conjunto de informações diferente para construir suas estratégias de negociação, nenhum mecanismo eficiente pode ser invocado. Em vez disso, uma rede complexa de comportamento auto-influente, devido à circulação assimétrica de informações, desenvolve seus vínculos e gera comportamentos de rebanho para seguir alguns sinais cuja credibilidade é aceita.

As crises financeiras mostram que os mercados financeiros não são imunes às falhas. Seu sucesso periódico não é gratuito: eventos catastróficos queimam enormes valores em dólares e os sistemas econômicos em grave perigo. Os comerciantes estão tão certos de que as estratégias elaboradas se encaixam na dinâmica dos mercados? Nossa simulação simples realizará uma análise comparativa do desempenho de diferentes estratégias de negociação: nossos comerciantes terão que prever, dia a dia, se o mercado subirá (tendência "alta") ou baixa (tendência "baixa"). As estratégias testadas são: Momentum, RSI, UPD, MACD e um completamente aleatório.

Os teóricos das expectativas racionais apostaram imediatamente que a estratégia aleatória perderia a concorrência, pois não está fazendo uso de nenhuma informação, mas, como mostraremos, nossos resultados são bastante surpreendentes.

Análise Detenida da Série Temporária Índice.

Consideramos quatro índices muito populares de mercados financeiros e, em particular, analisamos as seguintes séries temporais correspondentes, mostradas na Fig. 1:

De cima para baixo, mostramos o índice FTSE UK All-Share, o índice FTSE MIB All-Share, o índice DAX All-Share e o índice S & amp; Índice P 500. Veja o texto para mais detalhes.

Índice FTSE UK All-Share, de 1º de janeiro de 1998 a 3 de agosto de 2018, para um total de T = 3714 dias; Índice FTSE MIB All-Share, de 31 de dezembro de 1997 a 29 de junho de 2018, para um total de T = 3684 dias; Índice DAAD All-Share, de 26 de novembro de 1990 a 09 de agosto de 2018, para um total de T = 5493 dias; S & amp; Índice P 500, de 11 de setembro de 1989 a 29 de junho de 2018, para um total de T = 5750 dias;

Em geral, a possibilidade de prever séries temporais financeiras foi estimulada pela descoberta de algum tipo de comportamento persistente em alguns deles [38], [54], [55]. O objetivo principal da seção atual é investigar a possível presença de correlações nas quatro séries financeiras anteriores de todos os índices de ações do mercado de ações europeu e norte-americano. Neste contexto, calcularemos o expoente Hurst dependente do tempo usando a técnica de média móvel detritada (DMA) [56]. Comecemos por um resumo do algoritmo DMA. O procedimento computacional é baseado no cálculo do desvio padrão ao longo de uma determinada série de tempo definida como (1) onde é a média calculada em cada janela de tempo de tamanho. Para determinar o expoente de Hurst, a função é calculada para aumentar os valores dentro do intervalo, sendo o comprimento da série temporal, e os valores obtidos são relatados como uma função de um gráfico log-log. Em geral, exibe uma dependência de poder-lei com o expoente, isto é,

(2) Em particular, se, um tiver uma correlação negativa ou comportamento anti-persistente, enquanto que se um tiver uma correlação positiva ou comportamento persistente. O caso corresponde a um processo browniano não correlacionado. No nosso caso, como primeiro passo, calculamos o expoente Hurst considerando a série completa. Esta análise está ilustrada nas quatro parcelas da Fig. 2. Aqui, um ajuste linear para os lotes log-log revela que todos os valores do índice Hurst H obtidos dessa maneira para as séries temporais estudadas são, em média, muito próximos para 0,5. Este resultado parece indicar uma ausência de correlações em grandes escalas de tempo e uma consistência com um processo aleatório.

O comportamento do direito de poder do desvio padrão DMA permite derivar um índice Hurst que, em todos os quatro casos, oscila em torno de 0,5, o que indica uma ausência de correlações, em média, em grandes períodos de tempo. Veja o texto.

Por outro lado, é interessante calcular o expoente Hurst localmente no tempo. Para realizar esta análise, consideramos subconjuntos da série completa por meio de janelas deslizantes de tamanho, que se movem ao longo da série com o passo do tempo. Isto significa que, a cada tempo, calculamos o interior da janela deslizante mudando com a Eq. (1). Assim, seguindo o mesmo procedimento descrito acima, uma seqüência de valores do expoente Hurst é obtida em função do tempo. Na Fig. 3 mostramos os resultados obtidos para os parâmetros,. Nesse caso, os valores obtidos para o expoente Hurst diferem muito localmente de 0,5, o que indica a presença de correlações locais significativas.

Esta investigação, que está em consonância com o que foi encontrado anteriormente na Ref. [56] para o índice Dax, parece sugerir que as correlações são importantes apenas em uma escala temporal local, enquanto eles anulam a média em períodos longos. Como veremos nas próximas seções, essa característica afetará os desempenhos das estratégias de negociação consideradas.

Descrição das Estratégias de Negociação.

No presente estudo, consideramos cinco estratégias de negociação definidas da seguinte forma:

Estratégia aleatória (RND) Esta estratégia é a mais simples, uma vez que o comerciante correspondente faz sua previsão ao tempo completamente ao acaso (com distribuição uniforme). Estratégia Momentum (MOM) Esta estratégia baseia-se no chamado indicador 'momentum', isto é, a diferença entre o valor eo valor, onde é um determinado intervalo de negociação (em dias). Então, se, o comerciante prevê um incremento do índice de fechamento para o dia seguinte (isto é, prevê isso) e vice-versa. Nas próximas simulações, consideraremos dias, uma vez que este é um dos atrasos de tempo mais utilizados para o indicador de momentum. Veja a Ref. [57]. Estratégia de índice de força relativa (RSI) Esta estratégia é baseada em um indicador mais complexo chamado 'RSI'. É considerada uma medida da força comercial recente da ação e sua definição é: onde é a relação entre a soma dos retornos positivos e a soma dos retornos negativos ocorridos nos últimos dias anteriores. Uma vez calculado o índice RSI para todos os dias incluídos em um determinado período de tempo imediatamente anterior ao tempo, o comerciante que segue a estratégia RSI faz sua previsão com base em uma possível reversão da tendência do mercado, revelada pela denominada "divergência" entre a série temporal original e a nova RSI. Uma divergência pode ser definida referindo-se a uma comparação entre as séries de dados originais e as séries RSI geradas, e é o sinal comercial mais significativo entregue por qualquer indicador de estilo oscilador. É o caso quando a tendência significativa entre dois extremos locais mostrados pela tendência RSI é orientada na direção oposta à tendência significativa entre dois extrema (no mesmo intervalo de tempo) mostrado pela série original. Quando a linha RSI se inclina de forma diferente da linha original da série, ocorre uma divergência. Veja o exemplo na Fig. 4: dois máximos locais seguem duas tendências diferentes inclinadas de forma oposta. No caso mostrado, o analista interpretará essa divergência como uma expectativa de alta (uma vez que o oscilador RSI diverge da série original: ele começa a aumentar quando a série original ainda está diminuindo). Em nosso modelo simplificado, a presença de tal divergência se traduz em uma mudança na predição do sinal, dependendo da tendência de alta ou baixa dos dias anteriores. Nas próximas simulações, escolheremos dias, uma vez que - novamente - esse valor é um dos mais utilizados nas estratégias de negociação reais baseadas em RSI. Veja a Ref. [57]. Estratégia UPD (Up and Down Persistency) Esta estratégia determinista não vem da análise técnica. No entanto, decidimos considerá-lo porque parece seguir o comportamento aparentemente simples alternativo "para cima e para baixo" de séries de mercado que qualquer observador pode ver à primeira vista. A estratégia é baseada na seguinte regra muito simples: a previsão para o comportamento do mercado de amanhã é exatamente o oposto do que aconteceu no dia anterior. Se, por exemplo, um tiver, a expectativa a tempo do período será otimista: e vice-versa. Estratégia de divergência de convergência média convergente (MACD) O 'MACD' é uma série construída por meio da diferença entre duas médias móveis exponenciais (EMA, doravante) do preço de mercado, referentes a duas janelas de tempo diferentes, uma menor e uma maior. Em qualquer momento t,. Em particular, a primeira é a Média de Movimento Exponencial de mais de doze dias, enquanto a segunda refere-se a vinte e seis dias. O cálculo dessas EMAs em um intervalo de tempo pré-determinado, x, dado um peso de proporcionalidade, é executado pela seguinte fórmula recursiva: com, onde. Uma vez que a série MACD foi calculada, sua Média de Movimento Exponencial de 9 dias é obtida e, finalmente, a estratégia de negociação para a predição da dinâmica do mercado pode ser definida: a expectativa para o mercado é alta (baixa) se (). Veja a Ref. [57].

Uma divergência é um desacordo entre o indicador (RSI) e o preço subjacente. Por meio de linhas de tendência, o analista verifica se as inclinações de ambas as séries concordam. Quando a divergência ocorre, espera-se uma inversão da dinâmica dos preços. No exemplo, espera-se um período de alta.

Resultados de simulações empiricamente baseadas.

Para cada uma das nossas quatro séries temporais financeiras de duração (em dias), o objetivo era simplesmente prever, dia a dia e para cada estratégia, o movimento ascendente (otimista) ou descendente (descendente) do índice em um determinado dia com respeito ao valor de fechamento um dia antes: se a previsão é correta, o comerciante ganha, caso contrário, ele / ela perde. Neste contexto, estamos apenas interessados ​​em avaliar a porcentagem de ganhos alcançados por cada estratégia, assumindo que - em cada etapa do tempo - os comerciantes conhecem perfeitamente o histórico passado dos índices, mas não possuem nenhuma outra informação e não podem exercer qualquer influência sobre o mercado, nem receberá informações sobre movimentos futuros.

No que se segue, testamos o desempenho das cinco estratégias, dividindo cada uma das quatro séries temporais em uma seqüência de janelas de negociação de igual tamanho (em dias) e avaliando a porcentagem média de vitórias para cada estratégia dentro de cada janela enquanto os comerciantes se movem ao longo da série dia a dia, de para. Este procedimento, quando aplicado, nos permite explorar o desempenho das várias estratégias para várias escalas de tempo (variando, de forma aproximada, de meses a anos).

A motivação por trás desta escolha está ligada ao fato de que a evolução do tempo de cada índice alterna claramente entre os períodos calmos e voláteis, o que, com uma resolução mais fina, revelaria uma alternância adicional, auto-similar, de comportamento intermitente e regular em menores escalas de tempo, característica característica dos mercados financeiros turbulentos [35], [36], [38], [58]. Esse recurso torna a previsão de longo prazo de seu comportamento muito difícil ou mesmo impossível com instrumentos de análise financeira padrão. O fato é que, devido à presença de correlações sobre pequenas escalas temporais (como confirmado pela análise do expoente Hurst dependente do tempo na Fig. 3), pode-se esperar que uma estratégia de negociação padrão determinada, com base na história passada da índices, podem ser melhores do que os outros dentro de uma determinada janela de tempo. Mas isso poderia depender muito mais do acaso do que da efetividade real do algoritmo adotado. Por outro lado, se em uma escala temporal muito grande a evolução do tempo do mercado financeiro é um processo browniano não correlacionado (conforme indicado pelo expoente médio de Hurst, que resulta em estar em torno de todas as séries temporais financeiras consideradas), também se poderia esperar que o desempenho das estratégias de negociação padrão em uma grande escala de tempo se torna comparável aos aleatórios. Na verdade, isso é exatamente o que encontramos, como explicado no seguinte.

Nas Figs. 5-8, relatamos os resultados de nossas simulações para os quatro índices de ações considerados (FTSE-UK, FTSE-MIB, DAX, S & amp; P 500). Em cada figura, de cima para baixo, traçamos: as séries temporais do mercado em função do tempo; a série "retorna" correspondente, determinada como a relação; a volatilidade dos retornos, isto é, a variância da série anterior, calculada dentro de cada janela para aumentar os valores do tamanho da janela de negociação (igual a, da esquerda para a direita, e, respectivamente); a porcentagem média de vitórias para as cinco estratégias de negociação consideradas, calculadas para os mesmos quatro tipos de janelas (a média é realizada em todas as janelas em cada configuração, considerando diferentes corridas de simulação dentro de cada janela); os desvios-padrão correspondentes para as vitórias das cinco estratégias.

De cima para baixo, relatamos as séries temporais de índice, as séries temporais de retorno correspondentes, a volatilidade, as porcentagens de vitórias para as cinco estratégias em todas as janelas e os desvios-padrão correspondentes. As duas últimas quantidades são calculadas em média em 10 corridas diferentes (eventos) dentro de cada janela.

De cima para baixo, relatamos as séries temporais de índice, as séries temporais de retorno correspondentes, a volatilidade, as porcentagens de vitórias para as cinco estratégias em todas as janelas e os desvios-padrão correspondentes. As duas últimas quantidades são calculadas em média em 10 corridas diferentes (eventos) dentro de cada janela.

De cima para baixo, relatamos as séries temporais de índice, as séries temporais de retorno correspondentes, a volatilidade, as porcentagens de vitórias para as cinco estratégias em todas as janelas e os desvios-padrão correspondentes. As duas últimas quantidades são calculadas em média em 10 corridas diferentes (eventos) dentro de cada janela.

De cima para baixo, relatamos as séries temporais de índice, as séries temporais de retorno correspondentes, a volatilidade, as porcentagens de vitórias para as cinco estratégias em todas as janelas e os desvios-padrão correspondentes. As duas últimas quantidades são calculadas em média em 10 corridas diferentes (eventos) dentro de cada janela.

Observando os dois últimos painéis em cada figura, dois resultados principais são evidentes:

As percentagens médias de vitórias para as cinco estratégias são sempre comparáveis ​​e oscilam, com pequenas diferenças aleatórias que dependem do índice financeiro considerado. O desempenho das vitórias para todas as estratégias pode parecer paradoxal, mas depende do procedimento de média em todas as janelas ao longo de cada série de tempos. Na Fig. 9, mostramos, para comparação, o comportamento das várias estratégias para os quatro índices financeiros considerados e para o caso (a pontuação em cada janela é média em diferentes eventos): como se pode ver, dentro de uma determinada janela de negociação, cada uma Uma estratégia única pode ser aleatoriamente melhor ou pior, mas, em média, o desempenho global das diferentes estratégias é muito similar. Além disso, referindo-se novamente às Figs. 5-8, vale a pena notar que a estratégia com a porcentagem média mais alta de vitórias (para a maioria das configurações do Windows) muda de um índice para outro: para FTSE-UK, a estratégia MOM parece ter uma pequena vantagem; Para FTSE-MIB, a UPD parece ser a melhor; para DAX, o RSI e para o S & amp; P 500, a UPD funciona um pouco melhor do que as outras. Em qualquer caso, a vantagem de uma estratégia parece pura coincidência. O segundo resultado importante é que as flutuações da estratégia aleatória são sempre menores do que as das outras estratégias (como também é visível na figura 9 para o caso): isso significa que a estratégia aleatória é menos arriscada do que a negociação padrão considerada estratégias, enquanto a performance média é quase idêntica. Isso implica que, ao tentar otimizar o desempenho, os comerciantes padrão são enganados pelo fenômeno de "ilusão de controle" [11], [12], reforçado por uma sucessão de vitórias em uma determinada janela de tempo. No entanto, a primeira grande perda pode afastá-los do mercado. Por outro lado, a eficácia de estratégias aleatórias pode provavelmente estar relacionada ao caráter turbulento e errático dos mercados financeiros: é verdade que um comerciante aleatório provavelmente ganhará menos em uma determinada janela de tempo, mas também é provável que ele perder menos. Portanto, sua estratégia implica menos risco, pois ele / ela tem menor probabilidade de ser jogado fora do jogo.

Como visível, os desempenhos das estratégias podem ser muito diferentes entre os outros dentro de uma única janela de tempo, mas, em média, em toda a série, essas diferenças tendem a desaparecer e uma recupera o resultado comum mostrado nas figuras anteriores.

Conclusões e Implicações de Políticas.

Neste trabalho, exploramos o papel das estratégias aleatórias nos sistemas financeiros do ponto de vista microeconômico. Em particular, simulamos o desempenho de cinco estratégias de negociação, incluindo uma completamente aleatória, aplicadas a quatro índices de mercados financeiros muito populares, a fim de comparar sua capacidade preditiva. Nosso resultado principal, que é independente do mercado considerado, é que as estratégias de negociação padrão e seus algoritmos, com base na história passada das séries temporais, embora tenham ocasionalmente a chance de ser bem sucedido dentro de pequenas janelas temporais, em grande escala temporal em média, não é melhor do que a estratégia puramente aleatória, que, por outro lado, também é muito menos volátil. A este respeito, para o comerciante individual, uma estratégia puramente aleatória representa uma alternativa sem custo à consultoria financeira profissional cara, sendo ao mesmo tempo também muito menos arriscada, se comparada às outras estratégias de negociação.

Este resultado, obtido em um nível micro, poderia ter muitas implicações para os mercados reais também no nível macro, onde ocorrem outros fenômenos importantes, como o pastoreio, a informação assimétrica, as bolhas racionais. Na verdade, pode-se esperar que uma adoção generalizada de uma abordagem aleatória para transações financeiras resultaria em um mercado mais estável com menor volatilidade. Neste contexto, as estratégias aleatórias poderiam desempenhar o papel de reduzir o comportamento de pastoreio em todo o mercado, uma vez que, se os agentes soubessem que as transações financeiras não trazem necessariamente um papel de informação, os efeitos de bandwagon provavelmente poderiam desaparecer. Por outro lado, como sugerido recentemente por um de nós [59], se o formulador de políticas (Bancos Centrais) interveio ao comprar e vender aleatoriamente ativos financeiros, dois resultados poderiam ser obtidos simultaneamente. Do ponto de vista individual, os agentes sofrerão menos por informações assimétricas ou privilegiadas, devido à consciência de um "nevoeiro de incerteza" criado pelos investimentos aleatórios. Do ponto de vista sistêmico, novamente o comportamento de pastoreio seria conseqüentemente reduzido e as eventuais bolhas irromperiam quando ainda são pequenas e menos perigosas; assim, todo o sistema financeiro seria menos propenso ao comportamento especulativo de comerciantes credíveis "guru", como explicado também em [60]. Claro, isso deve ser explorado em detalhes, bem como o efeito de feedback de uma reação global do mercado para a aplicação dessas ações. Este tópico está além do objetivo do presente trabalho e será investigado em um trabalho futuro .

Agradecimentos.

Agradecemos a H. Trummer pela série histórica DAX e às outras instituições para os respectivos conjuntos de dados.

Contribuições do autor.

Concebido e projetado as experiências: AEB AP AR DH. Realizou as experiências: AEB AP AR. Analisou os dados: AEB AP AR. Escreveu o artigo: AEB AP AR DH.

Referências.

1. Kirkpatrick S, Gelatt CD, Vecchi MP (1983) Otimização por Recozimento Simulado. Science 220: 671-680. Ver artigo PubMed / NCBI Google Scholar 2. Benzi R, Parisi G, Sutera A, Vulpiani A (1982) Ressonância estocástica na mudança climática. Tellus 34: 10-16. Ver artigo PubMed / NCBI Google Scholar 3. Gammaitoni L, Hanggi P, Jung P, Marchesoni F (1989) Ressonância estocástica. Comentários de Modern Physics, 70 (1): 223-287. Ver artigo PubMed / NCBI Google Scholar 4. Mantegna R, Spagnolo B (1996) O ruído aumentou a estabilidade em um sistema instável. Phys. Rev. Lett. 76: 563-566. Ver artigo PubMed / NCBI Google Scholar 5. Caruso F, Huelga SF, Plenio MB (2018) Capacidades clássicas e quânticas aprimoradas por ruído em redes de comunicação. Phys. Rev. Lett. 105 (198): 190501. Ver artigo PubMed / NCBI Google Scholar 6. Van den Broeck C, Parrondo JMR, Toral R (1994) Transição de fase não equilibrada induzida por ruído. Letras de revisão física 73: 3395. Ver artigo PubMed / NCBI Google Scholar 7. Peter LJ, Hull R (1969) O princípio de Peter: porque as coisas sempre vão errado. Nova York: William Morrow and Company. 8. Pluchino A, Rapisarda A, Garofalo C (2018) O princípio Peter revisitado: um estudo computacional. Physica A 389: 467-472 Disponível: oldweb. ct. infn. it/cactus/peter-links. html. Ver artigo PubMed / NCBI Google Scholar 9. Pluchino A, Rapisarda A, Garofalo C (2018) Estratégias de promoção eficientes em organizações hierárquicas. Physica A 390: 3496-3511. Ver artigo PubMed / NCBI Google Scholar 10. Pluchino A, Rapisarda A, Garofalo C, Spagano S, Caserta M (2018) Políticos acidentais: como legisladores selecionados aleatoriamente podem melhorar a eficiência do parlamento. Physica A, 2018 390: 3944-3954 Disponível: pluchino. it/Parliament. html. Ver artigo PubMed / NCBI Google Scholar 11. Satinover JB, Sornette D (2007) 'Ilusão de controle' em Time-Horizon Minority e Parrondo Games. EUR. Phys. J. B 60: 369-384. Ver artigo PubMed / NCBI Google Scholar 12. Satinover JB, Sornette D (2009) Controle ilusório versus controle genuíno em jogos baseados em agentes. EUR. Phys. J. B. 67: 357-367. Ver artigo PubMed / NCBI Google Scholar 13. Gilles D, Sornette D, Woehrmann P (2009) Look-Ahead Benchmark Bias na avaliação do desempenho do portfólio. Journal of Portfolio Management 36 (1): 121-130. Ver artigo PubMed / NCBI Google Scholar 14. Agricultor JD, Patelli P, Zovko II (2005) O poder preditivo de zero inteligência nos mercados financeiros, PNAS. 102: 2254-2259. Ver artigo PubMed / NCBI Google Scholar 15. Taleb NN (2005) Enganado por Randomness: The Hidden Role of Chance nos mercados e na vida. Nova York: Random House. 16. Taleb NN (2007) The Black Swan: o impacto do altamente improvável. Nova York: Random House. 17. Biondo AE, Pluchino A, Rapisarda A (2018) O papel benéfico das estratégias aleatórias em sistemas sociais e financeiros. Journal of Statistical Physics 151: 607-622 Ver artigo PubMed / NCBI Google Scholar 18. Wiseman R (2007) Quirkology. Londres: Macmillan. 19. Porter GE (2004) O valor a longo prazo do conselho de analistas no concurso de dardos do investimento Wall Street Journals. J. Appl. Finanças 14: 720. Ver artigo PubMed / NCBI Google Scholar 20. Simon HA (1957) Modelos de Man. Nova Iorque: Wiley. 21. Friedman M (1956) A Teoria da função de consumo. Princeton, NJ: Princeton University Press. 22. Friedman M (1968) O papel da política monetária. The American Economic Review 58 (1): 1-17. Ver artigo PubMed / NCBI Google Scholar 23. Phelps E (1967) Phillips Curve Expectativas de Inação e Saída de Desemprego ao longo do tempo. Economica 34 (135): 254-281. Ver artigo PubMed / NCBI Google Scholar 24. Cagan P (1956) A Dinâmica Monetária da Hiperinção. Em Friedman M, editor. Estudos na Teoria das Quantidades do Dinheiro. Chicago: University of Chicago Press. 25. Arrow KJ, Nerlove M (1958) Uma nota sobre expectativas e estabilidade. Econometrica 26: 297-305. Ver artigo PubMed / NCBI Google Scholar 26. Muth JF (1961) Rational Expectation e Theory of Price Movements. Econometrica 29: 315-335. Ver Artigo PubMed / NCBI Google Scholar 27. Lucas RE (1972) Expectativas e a Neutralidade do Dinheiro. Journal of Economic Theory 4: 103-124. Ver artigo PubMed / NCBI Google Scholar 28. Sargent TJ, Wallace N (1975) Expectativas racionais, o instrumento monetário ótimo e a Regra Optimal de fornecimento de dinheiro. Journal of Political Economy 83 (2): 241-254. Ver artigo PubMed / NCBI Google Scholar 29. Fama EF (1970) Mercados de capitais eficientes: uma revisão da teoria e do trabalho empírico. Journal of Finance 25: 383-423. Ver artigo PubMed / NCBI Google Scholar 30. Jensen M (1978) Algumas evidências anômalas quanto à eficiência do mercado. Journal of Financial Economics 6: 95-101. Ver artigo PubMed / NCBI Google Scholar 31. Malkiel B (1992) Hipótese de mercado eficiente. Novo dicionário Palgrave de dinheiro e finanças. Londres: Macmillan. 32. Keynes JM (1936) A Teoria Geral do Desemprego, Interesse e Dinheiro. Londres: Macmillan. 157 p. 33. Cutler DM, Poterba JM, Summers LH (1989) O que move os preços das ações? Journal of Portfolio Management 15 (3): 4-12. Ver artigo PubMed / NCBI Google Scholar 34. Engle R (1982) Heteroscedasticidade condicional autorregressiva com estimativas da variância da economia do Reino Unido, Econometrica. 50: 987-1008. Ver artigo PubMed / NCBI Google Scholar 35. Mandelbrot BB (1963) A variação de certos preços especulativos. Journal of Business 36: 394-419. Ver artigo PubMed / NCBI Google Scholar 36. Mandelbrot BB (1997) Fractals and Scaling in Finance. Nova York: Springer. 37. Lux T (1996) A hipótese Paretian estável e a frequência de grandes retornos: um exame das principais ações alemãs. Economia Financeira Aplicada 6: 463-475. Ver artigo PubMed / NCBI Google Scholar 38. Mantegna RN, Stanley HE (1996) Introdução à Econofísica: correlações e complexidade em finanças. Cambridge: Cambridge University Press. 39. Campbell JY, Shiller R (1998) A Razão de Dividendos e Expectativas de Dividendos Futuros e Fatores de Desconto. Revisão de Estudos Financeiros 1: 195-227. Ver artigo PubMed / NCBI Google Scholar 40. Brock WA (1993) Caminhos para a Randomness na economia: Emergent Non-Linearity and Chaos in Economics and Finance. Estudios Económicos 8: 3-55. Ver artigo PubMed / NCBI Google Scholar 41. Brock WA (1997) Comportamento de preços de ativos em ambientes complexos. Em: Arthur WB, Durlauf SN, Lane DA, editores. A economia como um sistema complexo evolutivo II. Leitura, MA: Addison-Wesley. 385-423 p. 42. Brock WA, Hommes CH (1997) Uma rota racional para aleatoriedade. Econometrica 65: 1059-1095. Ver artigo PubMed / NCBI Google Scholar 43. Chiarella C (1992) O Dinamismo do Comportamento Especulativo. Annals of Operations Research 37: 101-123. Ver artigo PubMed / NCBI Google Scholar 44. Chiarella C, He T (2002) Crenças heterogêneas, Riscos e Aprendizagem em um modelo simples de preços de ativos. Economia computacional - Problema especial: processos evolutivos em economia 19 (1): 95-132. Ver artigo PubMed / NCBI Google Scholar 45. DeGrauwe P, DeWachter H, Embrechts M, (1993) Teoria da taxa de câmbio. Modelos caóticos de mercados cambiais estrangeiros. Blackwell. 46. ​​Frankel JA, Froot KA (1988) Chartists, Fundamentalistas e a Demanda de Dólares. Revisão Econômica Grega 10: 49-102. Ver artigo PubMed / NCBI Google Scholar 47. Lux T (1995) Behind Behind, Bubbles and Crashes. The Economic Journal 105: 881-896. Ver artigo PubMed / NCBI Google Scholar 48. Wang J (1994) Um modelo de volume de negociação de ações competitivas. Journal of Political Economy 102: 127-168. Ver artigo PubMed / NCBI Google Scholar 49. Zeeman EC (1974) The Unstable Behavior of Stock Exchange. Journal of Mathematical Economics 1: 39-49. Ver artigo PubMed / NCBI Google Scholar 50. Black F, Scholes M (1973) Avaliação de opções e responsabilidades corporativas, Journal of Political Economy. 81: 637-654. Ver artigo PubMed / NCBI Google Scholar 51. Merton RC (1973) Teoria do preço da opção Rational. Bell Journal of Economics and Management Science 4: 141-183. Ver artigo PubMed / NCBI Google Scholar 52. Cox JC, Ingersoll JE, Ross SA (1985) Uma teoria da estrutura do prazo das taxas de juros, Econometrica. 53: 385-408. Ver artigo PubMed / NCBI Google Scholar 53. Hull JC, White A (1987) O preço das opções em ativos com volatilidades estocásticas. Journal of Finance 42: 281-300. Ver artigo PubMed / NCBI Google Scholar 54. Gabaix X, Gopikrishnan P, Plerou V, Stanley HE (2003) Uma teoria das distribuições de leis de poder nas uctuações dos mercados financeiros. Natureza 423: 267-72. Ver artigo PubMed / NCBI Google Scholar 55. Livan G, Inoue J, Scalas E (2018) Sobre a não estacionária das séries temporais financeiras: impacto na seleção ótima de portfólio. Jornal da Mecânica Estatística. doi: 10.1088 / 1742-5468 / 2018/07 / P07025. 56. Carbone A, Castelli G, Stanley HE (2004) Time dependent Hurst exponent in financial time series. Physica A 344: 267–271. View Article PubMed/NCBI Google Scholar 57. Murphy JJ (1999) Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. Instituto de Finanças de Nova York. 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 (2018) Physics for Financial Markets. Available: tinyurl/d3j5bgs. 60. Tedeschi G, Iori G, Gallegati M (2018) Herding effects in order driven markets: The rise and fall of gurus. Journal of Economic Behavior & Organization 81: 82–96 View Article PubMed/NCBI Google Scholar.

Subject Areas.

For more information about PLOS Subject Areas, click here.

We want your feedback. Do these Subject Areas make sense for this article? Click the target next to the incorrect Subject Area and let us know. Obrigado pela ajuda!

Is the Subject Area "Financial markets" applicable to this article? Sim não.

Obrigado pelo seu feedback!

Is the Subject Area "Finance" applicable to this article? Sim não.

Obrigado pelo seu feedback!

Is the Subject Area "Economic agents" applicable to this article? Sim não.

Obrigado pelo seu feedback!

Is the Subject Area "Economics" applicable to this article? Sim não.

Obrigado pelo seu feedback!

Is the Subject Area "Analysts" applicable to this article? Sim não.

Obrigado pelo seu feedback!

Is the Subject Area "Behavior" applicable to this article? Sim não.

Obrigado pelo seu feedback!

Is the Subject Area "Marketing" applicable to this article? Sim não.

Obrigado pelo seu feedback!

Is the Subject Area "Resource management (economics)" applicable to this article? Sim não.

Obrigado pelo seu feedback!

Archived Tweets.

PLOS is a nonprofit 501(c)(3) corporation, #C2354500, and is based in San Francisco, California, US.