Working Papers

Seria wydawnicza WNE WORKING PAPERS prowadzona jest przez WNE UW od 2008 r. i jak dotąd opublikowano w niej ponad 400 prac.

Seria WNE Working Papers służy szybkiemu upowszechnianiu wyników badań prowadzonych na Wydziale Nauk Ekonomicznych UW. Publikowane tu teksty mają charakter wersji roboczych (pre-printów): mogą być uzupełniane lub poprawiane w miarę postępu prac nad tekstem i procesu wydawniczego. Prezentujemy aktualną wersję udostępnioną przez autorów, opatrzoną datą oraz identyfikatorami DOI/ISSN – co ułatwia jej cytowanie i śledzenie kolejnych iteracji. Każdy dokument zachowuje pełne prawa autorskie swoich twórców, a w przypadku późniejszych zmian, autorzy mogą w dowolnym momencie zamieścić zaktualizowany plik lub wskazać miejsce ostatecznego wydania.

Do serii WORKING PAPERS przyjmowane są artykuły pracowników naukowych WNE UW oraz publikacje z konferencji organizowanych na WNE UW. Artykuły powinny dotyczyć ekonomii, mieć charakter oryginalnych prac badawczych, nie być wcześniej publikowane. Przyjmowane są wyłącznie teksty w języku angielskim.

Prace prosimy przesyłać e-mailem na adres: #'7jDfM\5eO6ALUv=irF/TQluho]#[}r*V*U1MqV1&1cMezrh=862b~Y\

Prosimy przesyłać dwa pliki:

(1) główny tekst bez podania tytułu artykułu oraz autorów (plik DOC/DOCX) oraz

(2) stronę tytułową zawierającą: tytuł opracowania, autorów oraz ich afiliację (plik DOC/DOCX). 

Przed przesłaniem tekstu prosimy zapoznać się z szczegółowymi wymogami edycyjnymi.

Redaktorem wydawniczym serii Working Papers jest dr Maciej Bukowski.

Ilość wyników 1

WP(27/2021)375. Robust optimisation in algorithmic investment strategies

Autorzy: Gómez Castellano Sergio, Ślepaczuk Robert
This research develops a portfolio of four algorithmic strategies that produce Long/Short signals based on t+1 close price predictions of the underlying instrument. The main instrument used is S&P 500 index, and the data covers the period from 19…

WP375. Robust optimisation in algorithmic investment strategies

This research develops a portfolio of four algorithmic strategies that produce Long/Short signals based on t+1 close price predictions of the underlying instrument. The main instrument used is S&P 500 index, and the data covers the period from 1990-01-01 to 2021-04-23. Each strategy is based on a different theory and aims to perform well in different market regimes. The objective is to have a set of uncorrelated investment strategies based on different logics such as trend-following, contrarian approach, statistical methods, and macro-economic news. Each strategy was individually generated following a personalized Walk-Forward optimisation, in which the model seeks to choose the most robust combination of parameters rather than the best one, in terms of risk-adjusted returns. The robustness of all strategies was tested by changing all parameters selected at the beginning of the optimisation. Additionally, the robustness of the portfolio of strategies is tested by applying it to another American index, Nasdaq Composite. Finally, the ensemble model was created based on the combination of the signals from all investment strategies for our two basis instruments. Results show that the portfolio obtains returns four (seven) times larger than the Buy & Hold strategy on S&P 500 (Nasdaq Composite) with a similar level of risk in the last 31 years.


Gómez Castellano Sergio, Ślepaczuk Robert
algorithmic trading strategies robust optimisation criteria overoptimisation walk-forward optimisation ensemble investment model
  • 1