یادگیری آنلاین و آزمون‌های آماری برای استراتژی‌های معاملاتی تکنیکال
خلاصه
این پژوهش از یادگیری آنلاین مبتنی بر کارشناسان در محیط رقابتی برای انتخاب پارامترهای استراتژی‌های سبد بدون هزینه و ترکیب استراتژی‌های معاملاتی تکنیکال در یک سبد تجمیعی استفاده می‌کند. پژوهش، مجموعه استراتژی‌ها را روی داده‌های روزانه و درون‌روزی بورس ژوهانسبورگ بررسی می‌کند و سپس با یادگیری بدون‌نظارت، ترکیب در حال تغییر آن‌ها را کاهش‌بعد می‌دهد و به تصویر می‌کشد. تحلیل همچنین هزینه‌های معاملاتی و لغزش قیمت را لحاظ می‌کند، عملکرد را با الگوریتم سبد معیار آنلاین می‌سنجد و ریسک بیش‌برازش بک‌تست را برآورد می‌کند.
استراتژی‌های تجمیعی با آزمون فرضیه از نظر آربیتراژ آماری ارزیابی می‌شوند و نتایج برحسب بسامد نمونه‌برداری متفاوت است: استراتژی‌های روزانه پس از کسر هزینه‌ها در آزمون‌ها مردود می‌شوند، درحالی‌که استراتژی‌های درون‌روزی پس از کسر هزینه‌ها به‌عنوان آربیتراژ آماری رد نمی‌شوند. این تمایز شواهدی برگرفته از داده‌ها و روش‌های تاریخی به‌کاررفته در پژوهش است، نه اثبات سودآوری آینده. نتیجه گزارش‌شده به استراتژی‌های انتخاب‌شده، داده‌های بازار، برآورد هزینه و لغزش قیمت و آزمون‌های آماری بستگی دارد؛ گزیده نتایج عملکرد عددی مفصلی ارائه نمی‌دهد.
ایده‌های کلیدی
- الگوریتم یادگیری آنلاین، پارامترها را انتخاب می‌کند و استراتژی‌های معاملاتی تکنیکال را در یک سبد ترکیب می‌کند.
- پژوهش داده‌های روزانه و درون‌روزی بورس ژوهانسبورگ را بررسی می‌کند.
- استراتژی‌های تجمیعی روزانه پس از کسر هزینه‌ها در آزمون‌های آربیتراژ آماری مردود می‌شوند، اما استراتژی‌های درون‌روزی رد نمی‌شوند.
- تحلیل، لغزش قیمت، هزینه‌های معاملاتی، الگوریتم معیار و بیش‌برازش بک‌تست را در نظر می‌گیرد.
- نتایج آماری تاریخی ثابت نمی‌کنند که استراتژی‌ها در آینده سودآور باقی خواهند ماند.
برچسب‌ها
متن کامل
# Learning the dynamics of technical trading strategies # 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.
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.