Creación de conjuntos de estrategias de trading a partir de estados de mercado clasificados

Resumen

El documento describe cómo crear estrategias clasificando estados del mercado, en lugar de pronosticar directamente precios o rendimientos. Las etiquetas definen los estados, y se seleccionan características del mercado, como medias móviles, por su capacidad para distinguir esas etiquetas. Una red neuronal independiente predice cada etiqueta a partir de las características y genera probabilidades de compra o venta; las recomendaciones se combinan linealmente para formar estrategias candidatas.

Para seleccionar estrategias para los conjuntos, los autores crean una puntuación basada en rendimientos históricos que también penaliza las estrategias con pocas operaciones o poco capital invertido. Afirman que, fuera de muestra y con Bitcoin, los conjuntos creados a partir de las estrategias con mejor puntuación superan a las comparaciones individuales tanto en rendimientos como en rendimientos ajustados al riesgo. También observan que la puntuación histórica personalizada se correlaciona con el éxito futuro. El documento señala que algunas estrategias candidatas pueden inducir a error, pero no indica las fechas de la muestra, los detalles de referencia, los supuestos de costes ni resultados numéricos. Como las etiquetas se calculan usando datos futuros, el método depende de excluir esa información de las entradas del clasificador y del proceso de evaluación; el resumen no describe esas salvaguardas.

Ideas clave

• El método clasifica estados del mercado etiquetados en vez de pronosticar directamente los rendimientos.
• Las características se eligen por su capacidad para distinguir las etiquetas de estado.
• Los clasificadores de redes neuronales generan probabilidades de compra o venta que se combinan en estrategias.
• Una puntuación histórica personalizada penaliza la baja actividad de trading y la escasa inversión de capital.
• Según los autores, los conjuntos con Bitcoin superan las comparaciones citadas fuera de muestra, aunque no se ofrecen detalles de implementación.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.