BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Borowski Krzysztof (Warsaw School of Economics)
Title
Efficiency and Stability of Transaction Systems Based on 9 Types of Moving Averages on the Example of 140 Components of 3 Different Warsaw Stock Exchange Indexes
Efektywność i stabilność systemów transakcyjnych wykorzystujących sygnały kupna i sprzedaży 9 różnych średnich ruchomych na przykładzie cen 140 akcji należących do 3 indeksów GPW w Warszawie
Source
Bank i Kredyt, 2020, nr 1, s. 33-68, aneks, bibliogr. 40 poz.
Bank & Credit
Keyword
Indeks giełdowy, Transakcje giełdowe, Systemy transakcyjne, Spółki giełdowe, Analiza techniczna
Stock market indexes, Stock exchange dealings, Transaction systems, Stock market companies, Technical analysis
Note
JEL Classification: G15, G17
summ., streszcz.
Company
Giełda Papierów Wartościowych w Warszawie
Warsaw Stock Exchange
Abstract
Większość artykułów oceniających skuteczność systemów transakcyjnych koncentruje się na optymalizacji parametrów systemu dla jednego instrumentu finansowego. Dokonany przegląd literatury wyraźnie wskazuje, że dominuje właśnie takie podejście, tj. indywidualne dla analizowanych aktywów finansowych. Widoczny jest brak badań obejmujących problem skuteczności systemów transakcyjnych wykorzystujących średnie kroczące w szerszej ramce, tj. określenie, które średnie kroczące statystycznie generują najlepsze sygnały kupna i sprzedaży. W artykule chodzi o potraktowanie płynących wskazań w sposób zbiorowy (statystyczny), a nie indywidualnie dla każdego papieru wartościowego. Tym samym artykuł stara się wypełnić powstałą lukę badawczą i sformułować wnioski ogólne, charakterystyczne dla pewnej grupy aktywów, a nie tylko dla jednego, konkretnego. Celem artykułu jest określenie skuteczności systemów transakcyjnych na podstawie 9 różnych rodzajów średnich kroczących dla spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie, należących do trzech indeksów giełdowych: WIG20 (blue chips), mWIG40 (średnia kapitalizacja) i sWIG80 (mała kapitalizacja), tj. dla 140 spółek ogółem. Wskazania kupna generowane były w systemie transakcyjnym, gdy cena zamknięcia przebijała od dołu określoną średnią ruchomą, a sygnały kupna - gdy do takiego przebicia dochodziło od góry. Skuteczność systemów transakcyjnych opartych na przecięciu średniej ruchomej i ceny zamknięcia została przetestowana dla 9 różnych rodzajów średnich ruchomych (wykładnicza, prosta, time series, trójkątna, variable, volumen adjusted, liniowo ważona, Hulla i fraktalna adaptacyjna). Najważniejsze wnioski, jakie zostały sformułowane na bazie przeprowadzonych badań, to:
1. Na polskim rynku kapitałowym najwyższe stopy zwrotu zostały osiągnięte przez średnie ruchome o długości zaledwie kilku sesji. Świadczy to, że na tym rynku dominują transakcje o charakterze spekulacyjnym.
2. Analiza parzystości i nieparzystości długości średnich ruchomych optymalizujących system transakcyjny wykazała, że żadna z nich, tj. parzysta lub nieparzysta, nie była dominująca na polskim rynku.
3. W przypadku żadnej z par średnich ruchomych i dla wszystkich badanych spółek nie miał miejsca przypadek, że zawsze jeden typ średniej ruchomej przynosił wyższe stopy zwrotu niż drugi typ średniej. W przypadku niektórych z takich par odsetek ten był jednak bardzo wysoki, jak np. dla pary średnich ruchomych T i Hull (i spółek należących do indeksów WIG20 i mWIG40) czy też Tr i i Var (w przypadku spółek z indeksu sWIG80).
4. W przypadku dwóch systemów transakcyjnych opartych na dwóch różnych średnich kroczących można wskazać ten, który dla większej liczby akcji okazał się skuteczniejszy. Na tej podstawie opracowano rankingi efektywności dla analizowanych typów średnich kroczących, w których średnie kroczące sklasyfikowane na najwyższych pozycjach to time series i trójkątna. Z kolei na najniższych pozycjach w rankingu uplasowały się następujące średnie kroczące: fraktalna adaptacyjna, Hulla i variable.
5. W rankingach stabilności systemów transakcyjnych dla poszczególnych rodzajów średnich kroczących, według miar MM1 i MM2, najbardziej stabilne okazały się systemy bazujące na średnich: ważonej liniowo, wykładniczej i trójkątnej, natomiast najbardziej niestabilne wykorzystywały wskazania takich średnich, jak time series i Hulla. W przypadku miary MM3 wniosek był zgoła odmienny.
6. Warto podkreślić fakt, że z jednej strony systemy transakcyjne wykorzystujące wskazania średniej ruchomej time series generują najwyższe stopy zwrotu, ale jednocześnie są najmniej stabilne.
Najważniejszym ograniczeniem badania była różna długość horyzontów inwestycyjnych dla poszczególnych spółek - komponentów indeksów giełdowych. Wybranie długiego horyzontu czasowego miało przełożyć się na bardziej miarodajne wyniki. Z drugiej strony takie podejście utrudnia przeprowadzenie porównań między poszczególnymi spółkami i średnimi. Podobne badania mogą zostać przeprowadzone dla pozostałych spółek notowanych na GPW w Warszawie, a także dla takich klas aktywów, jak waluty, surowce czy indeksy giełdowe. (abstrakt oryginalny)

Most of the papers assessing the effectiveness of transactional systems focus on optimizing parameters for one financial instrument. There is a visible lack of research covering the problem of the effectiveness of transactional systems using moving averages in a wider frame, i.e. determining which of the moving averages statistically generates the best buy and sell signals. This issue was addressed in this article. Therefore, the purpose of the paper is to determine the effectiveness of transaction systems based on 9 different types of moving averages for companies listed on the Warsaw Stock Exchange, included in the three stock indexes: WIG20 (blue chips), mWIG40 (middle capitalization) and sWIG80 (small capitalization), e.g. for 140 companies in total. The effectiveness of transactional systems based on the intersection of the moving average and closing price was tested for 9 different types of moving averages (exponential, simple, time series, triangular, variable, volume adjusted, weighted, Hull and fractal adaptive). The results clearly showed that in the case of two transactional systems based on two different moving averages, it is possible to indicate the one that for a larger number of companies created a more effective system. On this basis, efficiency rankings for analysed types of moving averages were constructed. In the performance ratings of the individual moving averages (R1 and R2), the moving averages classified at the highest positions were the following: time series and triangular, while the following moving averages were classified at the lowest: fractal adaptive, Hull and variable. In the second part of the paper, the stability of transaction systems for individual types of moving averages was assessed. The trading systems stability rankings proved that according to measures MM1 and MM2 the most stable resulted to be systems based on averages: weighted, exponential and triangular, while the most unstable were those based on the following ways of weighting prices: time series and Hull. Therefore, systems based on time series moving average generate the highest rates of return, but at the same time prove to be the least stable. (original abstract)
Accessibility
The Main Library of the Cracow University of Economics
The Library of Warsaw School of Economics
The Library of University of Economics in Katowice
The Main Library of Poznań University of Economics and Business
Full text
Show
Bibliography
Show
  1. Achelis S. (2001), Technical Analysis from A to Z, Mc-Graw Hill.
  2. Appel G. (2005), Technical Analysis Power Tools for Active Investors, Prentice Hall Publishing.
  3. Arms R. (1987), Volume Cycles in the Stock Market, McGraw-Hill Education.
  4. Black F. (1986), Noise, Journal of Finance, 41, 528-543.
  5. Bolton J., von Boetticher S. (2015), Momentum trading on the Johannesburg Stock Exchange after the global financial crisis, Procedia Economics and Finance, 24, 83-92.
  6. Brock W., Lakonishok H., LeBaron B. (1992), Simple technical trading rules and the stochastic properties of stock returns, Journal of Finance, 47, 1731-1764.
  7. Czuba M., Kaszuba B. (2009), Porównanie efektów stosowania średnich ruchomych w analizie finansowych szeregów czasowych polskiego rynku akcji, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Nauki o Finansach, 75, 22-35.
  8. Ehlers J. (2005), Fractal adaptive moving average, Technical Analysis of Stock & Commodities, 23(10), 81-82.
  9. Faber M. (2007), A quantitative approach to tactical asset allocation, Journal of Wealth Management, 9, 69-79.
  10. Fifield S., Power D., Knipe D. (2008), The performance of moving average rules in emerging stock markets, Applied Financial Economics, 18, 151-153.
  11. Filar W., Kąkol W. (2013), Znaczenie średnich ruchomym w podejmowaniu decyzji inwestycyjnych na giełdzie, Modern Management Review, 18(20), 31-41.
  12. Gardner M. (2010), Trading indexes with the Hull moving averages, Technical Analysis of Stock & Commodities, 28(12), 19-23.
  13. Gatley E. (1998), Forecasting Profits Using Price and Time, Wiley & Sons.
  14. Gartley H. (1935), Profits in the Stock Markets, Lambert-Gann Publishing.
  15. Henriksson R., Merton R. (1981), On market timing and investment performance. An equilibrium theory of value for market forecast, Journal of Business, 54, 513-515.
  16. Górska A. (2008), Zastosowanie narzędzi analizy technicznej w bezpośrednim i pośrednim inwestowaniu w towary, Zeszyty Naukowe Szkoły Głównej Gospodarstwa Wiejskiego. Ekonomika i Organizacja Gospodarki Żywności, 71, 53-65.
  17. Górska A. (2011), Wykorzystanie strategii inwestycyjnych opartych na analizie technicznej do handlu towarami z WGT SA, Zeszyty Naukowe Szkoły Głównej Gospodarstwa Wiejskiego. Problemy Rolnictwa Światowego, 26(11), 67-76.
  18. Gwilym O., Clare A., Seaton J., Thomas S. (2010), Price and momentum as robust tactical approaches to global equity investing, Journal of Investing, 19, 80-91.
  19. Hochheimer C. (1978), Computers can help you to trade the futures markets, Commodity Yearbook, Commodity Research Bureau.
  20. Ilomaki J., Laurila H., McAleer M. (2018), Market timing with moving averages, Sustainability, 10, 21-25.
  21. Juszczuk P., Kozak J. (2016), Paradygmat programowania proceduralnego w procesie budowy systemów automatycznych bazujących na średnich kroczących, Studia Informatica Pomerania, 39, 25-35.
  22. Katsanos M. (2009), Intermarket Trading Strategies, John Wiley & Sons.
  23. Kaufman P. (1978), Commodity Trading Systems and Methods, John Wiley & Sons.
  24. Kaufman P. (2013), Trading Systems and Methods, John Wiley & Sons.
  25. Keltner C. (1960), How to Make Money in Commodities, The Keltener Statistical Service.
  26. Kilgallen T. (2012), Testing the simple moving average across commodities, global stock indices, and currencies, Journal of Wealth Management, 15, 82-100.
  27. LeBeau C., Lucas D. (1991), Technical Traders Guide to Computer Analysis of the Futures Markets, Mc-Graw Hill Education.
  28. Letkowski D. (2014), Wykorzystanie średnich ruchomych w analizie inwestycji giełdowych - dobór modelu i długość próby, Acta Universitatis Lodziensis, Folia Oeconomica, 301(2), 167-177.
  29. Marshall B., Nguyen N., Visaltanochoti N. (2017), Time series momentum and moving average trading rules, Quantitative Finance, 17, 405-421.
  30. Merrill A. (1992), Moving average crossover, Technical Analysis of Stock & Commodities, 10(8), 332-335.
  31. Metastock for Windows 95 & NT (2000), User's manual, Equis International.
  32. Mitra S. (2011), Usefulness of moving average based trading rules in India, International Journal of Business and Management, 6(7), 199-206.
  33. Moskowitz T., Ooi Y., Pedersen L. (2012), Time series momentum, Journal of Financial Economics, 104, 228-250.
  34. Neely C., Rapach D., Tu J., Zhou G. (2014), Forecasting equity risk premium: the role of technical indicators, Management Science, 66, 1772-1791.
  35. Payne J. (1989), A better way to smooth data, Technical Analysis of Stock & Commodities, 7(10), 326-333.
  36. Pring M. (2014), Technical Analysis Explained, McGraw Hill.
  37. Salamaga P. (2013), Zastosowanie metody średniej kroczącej do badania zyskowności inwestycji na polskim rynku kapitałowym, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Nauki o Finansach, 323, 298-307.
  38. Sklarew A. (1980), Technical of Professional Commodity Chart Analysis, Commodity Research Bureau.
  39. Thusar C. (1992), Adapting moving averages to market volatility, Technical Analysis of Stocks & Commodities, 10(3), 108-114.
  40. Zalewski G. (2001), Kontrakty terminowe w praktyce, WIG-PRESS.
Cited by
Show
ISSN
0137-5520
Language
eng
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu