Encontrar operaciones bursátiles con desfases usando agrupamiento por volatilidad y pruebas causales

Resumen

El estudio presenta un proceso para encontrar señales direccionales de trading a partir de las relaciones entre nueve acciones. Primero agrupa las acciones según su volatilidad histórica de rango intermedio mediante un modelo de mezcla gaussiana y, después, busca vínculos predictivos mediante causalidad de Granger, un procedimiento PCMCI personalizado y entropía de transferencia efectiva. La deformación temporal dinámica y un clasificador de k vecinos más cercanos se utilizan para estimar el desfase con el que podría operarse una señal. La estrategia resultante se evalúa mediante backtesting.

Para el periodo del 8 de junio al 12 de agosto de 2023, la rentabilidad de cartera comunicada fue del 15.38%, frente al 10.39% de comprar y mantener. El artículo también informa de un ratio de Sharpe de hasta 2.17 y tasas de acierto de hasta 100% para algunos pares. Estos resultados se limitan a las acciones indicadas y al breve periodo de prueba; el resumen no describe los costes de transacción, la validación fuera de muestra más allá de ese periodo ni la solidez en distintos regímenes de mercado. Por tanto, el rendimiento comunicado ilustra el potencial del proceso, pero no demuestra que sus señales vayan a generalizarse.

Ideas clave

• Las acciones se agrupan según su volatilidad histórica antes de analizar posibles relaciones predictivas.
• La causalidad de Granger, una prueba PCMCI personalizada y la entropía de transferencia efectiva forman un proceso de varias etapas para filtrar relaciones.
• El warping dinámico del tiempo y los k vecinos más cercanos se utilizan para estimar cuándo operar una señal.
• El backtest comunicado superó a comprar y mantener durante su breve periodo de evaluación indicado.
• El periodo de prueba limitado y los detalles de implementación no especificados restringen las conclusiones sobre la generalización.

Etiquetas

# 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.

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.