Verborgene Markov-Modelle für Intraday-Momentum mit Zusatzinformationen

Zusammenfassung

Dieses Dokument beschreibt einen Ansatz für Intraday-Momentum-Trading mit verborgenen Zuständen. Es modelliert verrauschte Wertpapierrenditen als Beobachtungen eines latenten Momentum-Zustands und soll so Verzögerungen vermeiden, die digitale Filter bei Trendwenden verursachen können. Die Zahl verborgener Zustände wird anhand von Kreuzvalidierung, penalisierten Likelihood-Kriterien und simulationsbasierter Auswahl der marginalen Likelihood bewertet; diese Verfahren sprechen für zwei oder drei Zustände. Die Parameter werden mit Baum-Welch und Markov-Chain-Monte-Carlo unter einem diskretisierten univariaten Gaußschen Emissionsmodell geschätzt.

Das Framework integriert außerdem Zusatzinformationen über ein Input-Output-Modell mit verborgenen Markov-Zuständen. Die Beispiele nutzen ein Verhältnis der realisierten Volatilität und untertägige Saisonalität; Splines bilden prädiktive Zusammenhänge ab. Bayes’sche Inferenz und der Vorwärtsalgorithmus erzeugen Renditeprognosen für die nächste Periode. Das Dokument stellt einen Modellierungsansatz vor und berichtet Ergebnisse zur Modellauswahl, doch die bereitgestellte Beschreibung enthält weder Performance-Ergebnisse zum Trading noch einen detaillierten Datenkontext. Die angegebene Emissionsannahme ist restriktiv; eine nichtparametrische Erweiterung und asynchrone Vorhersagen werden als mögliche Anpassungen vorgeschlagen.

Kernaussagen

• Ein latenter Momentum-Zustand bildet den Prozess hinter verrauschten untertägigen Renditen ab.
• Das Modell soll Signalverzögerungen vermeiden, wenn sich die Marktrichtung des Momentums ändert.
• Kreuzvalidierung, penalisierte Likelihood und simulationsbasierte Auswahl sprechen für zwei oder drei verborgene Zustände.
• Volatilitätsverhältnisse und untertägige Saisonalität können über Splines als Zusatzinformationen in das Modell einfließen.
• Der Vorwärtsalgorithmus ermöglicht Bayes’sche Vorhersagen der nächsten Rendite.

Schlagwörter

# Hidden Markov Models Applied To Intraday Momentum Trading With Side Information


# Hidden Markov Models Applied To Intraday Momentum Trading With Side Information









A Hidden Markov Model for intraday momentum trading is presented which specifies a latent momentum state responsible for generating the observed securities' noisy returns. Existing momentum trading models suffer from time-lagging caused by the delayed frequency response of digital filters. Time-lagging results in a momentum signal of the wrong sign, when the market changes trend direction. A key feature of this state space formulation, is no such lagging occurs, allowing for accurate shifts in signal sign at market change points. The number of latent states in the model is estimated using three techniques, cross validation, penalized likelihood criteria and simulation-based model selection for the marginal likelihood. All three techniques suggest either 2 or 3 hidden states. Model parameters are then found using Baum-Welch and Markov Chain Monte Carlo, whilst assuming a single (discretized) univariate Gaussian distribution for the emission matrix. Often a momentum trader will want to condition their trading signals on additional information. To reflect this, learning is also carried out in the presence of side information. Two sets of side information are considered, namely a ratio of realized volatilities and intraday seasonality. It is shown that splines can be used to capture statistically significant relationships from this information, allowing returns to be predicted. An Input Output Hidden Markov Model is used to incorporate these univariate predictive signals into the transition matrix, presenting a possible solution for dealing with the signal combination problem. Bayesian inference is then carried out to predict the securities $t+1$ return using the forward algorithm. Simple modifications to the current framework allow for a fully non-parametric model with asynchronous prediction.

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.