ساخت مجموعه استراتژی معاملاتی از وضعیت‌های طبقه‌بندی‌شده بازار
خلاصه
این سند ساخت استراتژی‌ها را با طبقه‌بندی وضعیت‌های بازار شرح می‌دهد، به‌جای آنکه قیمت یا بازده مستقیماً پیش‌بینی شود. برچسب‌ها وضعیت‌ها را تعریف می‌کنند و ویژگی‌های بازار، مانند میانگین‌های متحرک، بر اساس توانایی‌شان در تفکیک آن برچسب‌ها انتخاب می‌شوند. یک شبکه عصبی جداگانه هر برچسب را با استفاده از ویژگی‌ها پیش‌بینی می‌کند و احتمال خرید یا فروش را به دست می‌دهد؛ سپس توصیه‌ها به‌صورت خطی ترکیب می‌شوند تا استراتژی‌های نامزد ساخته شوند.
برای انتخاب استراتژی‌ها جهت تشکیل مجموعه‌ها، نویسندگان امتیازی بر پایه بازده تاریخی می‌سازند که استراتژی‌های دارای معاملات کم یا سرمایه به‌کارگرفته‌شده اندک را نیز جریمه می‌کند. گزارش می‌کنند که مجموعه‌های ساخته‌شده از استراتژی‌های دارای بالاترین امتیاز، در داده‌های خارج از نمونه بیت‌کوین، هم از نظر بازده و هم از نظر بازده تعدیل‌شده با ریسک از مقایسه‌های منفرد بهتر عمل می‌کنند. همچنین، امتیاز تاریخی اختصاصی با موفقیت آینده همبستگی دارد. سند اشاره می‌کند که برخی استراتژی‌های نامزد می‌توانند گمراه‌کننده باشند، اما تاریخ‌های نمونه، جزئیات معیارهای مقایسه، فرض‌های هزینه یا نتایج عددی را ارائه نمی‌کند. ازآنجاکه برچسب‌ها با استفاده از داده‌های آینده محاسبه می‌شوند، باید این اطلاعات از ورودی‌های طبقه‌بند و فرایند ارزیابی کنار گذاشته شود؛ این خلاصه درباره چنین تمهیداتی توضیحی نمی‌دهد.
ایده‌های کلیدی
- روش، وضعیت‌های برچسب‌گذاری‌شده بازار را طبقه‌بندی می‌کند و مستقیماً بازده را پیش‌بینی نمی‌کند.
- ویژگی‌ها بر اساس توانایی‌شان در تفکیک برچسب‌های وضعیت انتخاب می‌شوند.
- طبقه‌بندهای مبتنی بر شبکه عصبی احتمال خرید یا فروش را تولید می‌کنند و این احتمالات در استراتژی‌ها ترکیب می‌شوند.
- امتیاز تاریخی اختصاصی، فعالیت معاملاتی کم و مشارکت محدود سرمایه را جریمه می‌کند.
- گزارش شده است که مجموعه‌های بیت‌کوین در داده‌های خارج از نمونه از مقایسه‌های ذکرشده بهتر عمل می‌کنند، هرچند جزئیات پیاده‌سازی ارائه نشده است.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.