Aktien-Lead-Lag-Signale mit Volatilitätsclustern und Kausaltests

Zusammenfassung

Die Studie stellt eine Pipeline vor, die aus Beziehungen zwischen neun Aktien gerichtete Handelssignale ableitet. Zunächst gruppiert sie Aktien anhand ihrer historischen mittleren Volatilität mit einem Gaußschen Mischmodell. Anschließend prüft sie mithilfe der Granger-Kausalität, eines angepassten PCMCI-Verfahrens und der effektiven Transferentropie auf prädiktive Zusammenhänge. Dynamic Time Warping und ein K-Nearest-Neighbours-Klassifikator schätzen die Verzögerung, nach der ein Signal möglicherweise gehandelt werden kann. Die resultierende Strategie wird durch Backtesting bewertet.

Für den Zeitraum vom 8. Juni bis zum 12. August 2023 betrug die angegebene Portfoliorendite 15.38%, verglichen mit 10.39% bei Buy-and-Hold. Die Studie berichtet außerdem eine Sharpe Ratio von bis zu 2.17 und für einige Paare Gewinnquoten von bis zu 100%. Diese Ergebnisse beschränken sich auf die genannten Aktien und den kurzen Testzeitraum; die Zusammenfassung beschreibt weder Transaktionskosten noch eine Out-of-Sample-Validierung über diesen Zeitraum hinaus oder die Robustheit über verschiedene Marktregime hinweg. Die berichtete Performance veranschaulicht daher das Potenzial der Pipeline, belegt aber nicht, dass sich ihre Signale verallgemeinern lassen.

Kernaussagen

• Aktien werden anhand ihrer historischen Volatilität gruppiert, bevor mögliche prädiktive Beziehungen geprüft werden.
• Granger-Kausalität, ein angepasster PCMCI-Test und effektive Transferentropie bilden ein mehrstufiges Verfahren zur Prüfung von Zusammenhängen.
• Dynamic Time Warping und K-Nearest Neighbours dienen dazu, den Zeitpunkt für den Handel eines Signals zu schätzen.
• Der angegebene Backtest übertraf Buy-and-Hold während des kurzen genannten Bewertungszeitraums.
• Der begrenzte Testzeitraum und nicht näher beschriebene Umsetzungsdetails schränken Schlussfolgerungen zur Verallgemeinerbarkeit ein.

Schlagwörter

# A Framework for Predictive Directional Trading Based on Volatility and Causal Inference


# A Framework for Predictive Directional Trading Based on Volatility and Causal Inference









Purpose: This study introduces a novel framework for identifying and exploiting predictive lead-lag relationships in financial markets. We propose an integrated approach that combines advanced statistical methodologies with machine learning models to enhance the identification and exploitation of predictive relationships between equities. Methods: We employed a Gaussian Mixture Model (GMM) to cluster nine prominent stocks based on their mid-range historical volatility profiles over a three-year period. From the resulting clusters, we constructed a multi-stage causal inference pipeline, incorporating the Granger Causality Test (GCT), a customised Peter-Clark Momentary Conditional Independence (PCMCI) test, and Effective Transfer Entropy (ETE) to identify robust, predictive linkages. Subsequently, Dynamic Time Warping (DTW) and a K-Nearest Neighbours (KNN) classifier were utilised to determine the optimal time lag for trade execution. The resulting strategy was rigorously backtested. Results: The proposed volatility-based trading strategy, tested from 8 June 2023 to 12 August 2023, demonstrated substantial efficacy. The portfolio yielded a total return of 15.38%, significantly outperforming the 10.39% return of a comparative Buy-and-Hold strategy. Key performance metrics, including a Sharpe Ratio up to 2.17 and a win rate up to 100% for certain pairs, confirmed the strategy's viability. Conclusion: This research contributes a systematic and robust methodology for identifying profitable trading opportunities derived from volatility-based causal relationships. The findings have significant implications for both academic research in financial modelling and the practical application of algorithmic trading, offering a structured approach to developing resilient, data-driven strategies.

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.