Online-Lernen und statistische Tests für technische Handelsstrategien

Zusammenfassung

Diese Studie nutzt adversariales Online-Lernen auf Basis von Experten, um Parameter für Portfoliostrategien ohne Kosten auszuwählen und technische Handelsstrategien zu einem Gesamtportfolio zusammenzuführen. Sie untersucht Strategiepopulationen anhand täglicher und untertägiger Daten der Johannesburger Börse und nutzt anschließend unüberwachtes Lernen, um deren wechselnde Zusammensetzung zu reduzieren und zu visualisieren. Die Analyse berücksichtigt zudem Handelskosten und Slippage, vergleicht die Performance mit einem Online-Benchmark-Portfolioalgorithmus und schätzt das Risiko einer Überanpassung des Backtests.

Die aggregierten Strategien werden mithilfe eines Hypothesentests auf statistische Arbitrage geprüft; die Ergebnisse unterscheiden sich je nach Abtastfrequenz: Tägliche Strategien bestehen die Tests nach Kosten nicht, während untertägige Strategien nach Kosten nicht als statistische Arbitrage widerlegt werden. Dieser Unterschied ist ein Beleg aus den historischen Datensätzen und Verfahren der Studie, kein Nachweis künftiger Rentabilität. Die Schlussfolgerung hängt von den gewählten Strategien, Marktdaten, Kosten- und Slippage-Schätzungen sowie statistischen Tests ab; der Auszug enthält keine detaillierten numerischen Performance-Ergebnisse.

Kernaussagen

• Ein Online-Lernalgorithmus wählt Parameter aus und kombiniert technische Handelsstrategien zu einem Portfolio.
• Die Studie untersucht tägliche und untertägige Daten der Johannesburger Börse.
• Aggregierte tägliche Strategien bestehen statistische Arbitrage-Tests nach Kosten nicht, während untertägige Strategien nicht widerlegt werden.
• Die Analyse berücksichtigt Slippage, Transaktionskosten, einen Benchmark-Algorithmus und die Überanpassung des Backtests.
• Historische statistische Ergebnisse belegen nicht, dass die Strategien dauerhaft profitabel bleiben.

Schlagwörter

# Learning the dynamics of technical trading strategies


# Learning the dynamics of technical trading strategies









We use an adversarial expert based online learning algorithm to learn the optimal parameters required to maximise wealth trading zero-cost portfolio strategies. The learning algorithm is used to determine the relative population dynamics of technical trading strategies that can survive historical back-testing as well as form an overall aggregated portfolio trading strategy from the set of underlying trading strategies implemented on daily and intraday Johannesburg Stock Exchange data. The resulting population time-series are investigated using unsupervised learning for dimensionality reduction and visualisation. A key contribution is that the overall aggregated trading strategies are tested for statistical arbitrage using a novel hypothesis test proposed by Jarrow et al. (2012) on both daily sampled and intraday time-scales. The (low frequency) daily sampled strategies fail the arbitrage tests after costs, while the (high frequency) intraday sampled strategies are not falsified as statistical arbitrages after costs. The estimates of trading strategy success, cost of trading and slippage are considered along with an online benchmark portfolio algorithm for performance comparison. In addition, the algorithms generalisation error is analysed by recovering a probability of back-test overfitting estimate using a nonparametric procedure introduced by Bailey et al. (2016). The work aims to explore and better understand the interplay between different technical trading strategies from a data-informed perspective.

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.