Trading-Strategie-Ensembles aus klassifizierten Marktphasen entwickeln

Zusammenfassung

Das Dokument beschreibt die Entwicklung von Strategien durch die Klassifizierung von Marktphasen, statt Preise oder Renditen direkt vorherzusagen. Kennzeichnungen definieren die Phasen; Marktmerkmale wie gleitende Durchschnitte werden danach ausgewählt, wie gut sie diese Kennzeichnungen unterscheiden. Ein separates neuronales Netz sagt anhand der Merkmale jede Kennzeichnung voraus und gibt Kauf- oder Verkaufswahrscheinlichkeiten aus; die Empfehlungen werden linear zu möglichen Strategien kombiniert.

Um Strategien für Ensembles auszuwählen, erstellen die Autoren eine auf historischen Renditen beruhende Kennzahl, die zugleich Strategien mit wenigen Trades oder geringem eingesetztem Kapital abwertet. Sie berichten, dass Ensembles aus den am höchsten bewerteten Strategien einzelne Vergleichsstrategien bei Bitcoin außer Stichprobe sowohl bei den Renditen als auch bei den risikobereinigten Renditen übertreffen. Außerdem korreliert die eigens entwickelte historische Kennzahl ihren Ergebnissen zufolge mit künftigem Erfolg. Das Dokument weist darauf hin, dass manche möglichen Strategien irreführend sein können, nennt aber weder Stichprobenzeiträume noch Vergleichsmaßstäbe, Kostenannahmen oder Zahlenwerte. Da die Kennzeichnungen anhand zukünftiger Daten berechnet werden, muss diese Information von den Eingaben des Klassifikators und vom Bewertungsprozess ferngehalten werden; die Zusammenfassung beschreibt keine entsprechenden Schutzmaßnahmen.

Kernaussagen

• Die Methode klassifiziert gekennzeichnete Marktphasen, statt Renditen direkt vorherzusagen.
• Merkmale werden danach ausgewählt, wie gut sie die Kennzeichnungen der Marktphasen unterscheiden.
• Klassifikatoren mit neuronalen Netzen berechnen Kauf- oder Verkaufswahrscheinlichkeiten, die zu Strategien kombiniert werden.
• Eine eigens entwickelte historische Kennzahl wertet geringe Handelsaktivität und den Einsatz von wenig Kapital ab.
• Bitcoin-Ensembles übertrafen den Angaben zufolge die genannten Vergleiche außer Stichprobe; Umsetzungsdetails fehlen jedoch.

Schlagwörter

# Constructing trading strategy ensembles by classifying market states


# Constructing trading strategy ensembles by classifying market states









Rather than directly predicting future prices or returns, we follow a more recent trend in asset management and classify the state of a market based on labels. We use numerous standard labels and even construct our own ones. The labels rely on future data to be calculated, and can be used a target for training a market state classifier using an appropriate set of market features, e.g. moving averages. The construction of those features relies on their label separation power. Only a set of reasonable distinct features can approximate the labels. For each label we use a specific neural network to classify the state using the market features from our feature space. Each classifier gives a probability to buy or to sell and combining all their recommendations (here only done in a linear way) results in what we call a trading strategy. There are many such strategies and some of them are somewhat dubious and misleading. We construct our own metric based on past returns but penalising for a low number of transactions or small capital involvement. Only top score-performance-wise trading strategies end up in final ensembles. Using the Bitcoin market we show that the strategy ensembles outperform both in returns and risk-adjusted returns in the out-of-sample period. Even more so we demonstrate that there is a clear correlation between the success achieved in the past (if measured in our custom metric) and the future.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.