Aprendizaje en línea y pruebas estadísticas para estrategias técnicas de trading

Artículo arXiv papers · Autor: Nicholas Murphy et al.

Resumen

Este estudio utiliza aprendizaje en línea adversarial basado en expertos para seleccionar parámetros de estrategias de cartera sin costes y combinar estrategias técnicas de trading en una cartera agregada. Examina poblaciones de estrategias con datos diarios e intradía de la Bolsa de Johannesburgo y luego utiliza aprendizaje no supervisado para reducir y visualizar cómo cambia su composición. El análisis también tiene en cuenta los costes de trading y el slippage, compara el rendimiento con un algoritmo de cartera de referencia en línea y estima el riesgo de sobreajuste del backtest.

Las estrategias agregadas se evalúan como arbitraje estadístico mediante una prueba de hipótesis, con resultados distintos según la frecuencia de muestreo: las estrategias diarias no superan las pruebas después de costes, mientras que las intradía no quedan refutadas como arbitrajes estadísticos después de costes. Esa diferencia constituye evidencia basada en los datos históricos y los procedimientos utilizados en el estudio, no una prueba de rentabilidad futura. La conclusión comunicada depende de las estrategias elegidas, los datos de mercado, las estimaciones de costes y slippage y las pruebas estadísticas; el fragmento no presenta resultados detallados de rendimiento numérico.

Ideas clave

Un algoritmo de aprendizaje en línea selecciona parámetros y combina estrategias técnicas de trading en una cartera.
El estudio examina datos diarios e intradía de la Bolsa de Johannesburgo.
Las estrategias agregadas diarias no superan las pruebas de arbitraje estadístico después de costes, mientras que las intradía no quedan refutadas.
El análisis considera el slippage, los costes de transacción, un algoritmo de referencia y el sobreajuste del backtest.
Los resultados estadísticos históricos no demuestran que las estrategias sigan siendo rentables.

Etiquetas

Indicadores técnicos Aprendizaje automático Pruebas retrospectivas Estadística Ejecución

Texto completo

# 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.

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.