Modelos ocultos de Markov para momentum intradía con información adicional

Resumen

Este documento describe un enfoque de estados ocultos para el trading de momentum intradía. Modeliza los rendimientos ruidosos de los activos como observaciones generadas por un estado latente de momentum, con el objetivo de evitar el retraso que pueden introducir los filtros digitales cuando las tendencias se invierten. El número de estados ocultos se evalúa mediante validación cruzada, criterios de verosimilitud penalizada y selección de verosimilitud marginal basada en simulaciones; estos métodos favorecen dos o tres estados. Los parámetros se estiman con Baum-Welch y Monte Carlo por cadenas de Markov bajo un modelo de emisión gaussiano univariante discretizado.

El marco también incorpora información adicional mediante un modelo oculto de Markov de entrada-salida. Los ejemplos utilizan un ratio de volatilidad realizada y la estacionalidad intradía, con splines para captar relaciones predictivas. La inferencia bayesiana y el algoritmo hacia delante generan predicciones de los rendimientos del periodo siguiente. El documento presenta un enfoque de modelización e informa de hallazgos sobre selección de modelos, pero la descripción proporcionada no ofrece resultados de rendimiento de trading ni un contexto detallado de los datos. El supuesto declarado sobre las emisiones es restrictivo; se proponen una extensión no paramétrica y predicciones asíncronas como posibles modificaciones.

Ideas clave

• Se utiliza un estado latente de momentum para representar el proceso subyacente a los rendimientos intradía ruidosos.
• El modelo busca evitar el retraso de las señales cuando el momentum del mercado cambia de dirección.
• La validación cruzada, la verosimilitud penalizada y la selección basada en simulaciones favorecen dos o tres estados ocultos.
• Los ratios de volatilidad y la estacionalidad intradía pueden incorporarse como información adicional mediante splines.
• El algoritmo hacia delante permite predecir bayesianamente el siguiente rendimiento.

Etiquetas

# 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.

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.