Construire des ensembles de stratégies de trading à partir d’états de marché classifiés

Résumé

Ce document décrit la construction de stratégies en classant les états du marché plutôt qu’en prévoyant directement les prix ou les rendements. Des étiquettes définissent les états, et les caractéristiques du marché, comme les moyennes mobiles, sont sélectionnées selon leur capacité à distinguer ces étiquettes. Un réseau neuronal distinct prédit chaque étiquette à partir des caractéristiques et produit des probabilités d’achat ou de vente ; les recommandations sont combinées linéairement pour former des stratégies candidates.

Pour sélectionner les stratégies destinées aux ensembles, les auteurs créent un score fondé sur les rendements historiques qui pénalise aussi les stratégies comportant peu de transactions ou mobilisant peu de capitaux. Ils rapportent que les ensembles construits à partir des stratégies les mieux notées surpassent les comparaisons individuelles en rendement et en rendement ajusté du risque, hors échantillon sur Bitcoin. Ils constatent également une corrélation entre le score historique personnalisé et la réussite future. Le document indique que certaines stratégies candidates peuvent induire en erreur, mais ne fournit ni dates d’échantillonnage, ni détails sur les références de comparaison, ni hypothèses de coûts, ni résultats numériques. Comme les étiquettes sont calculées à partir de données futures, la méthode exige que ces informations ne soient pas utilisées comme entrées du classificateur ni dans le processus d’évaluation ; le résumé ne décrit pas les mesures de protection correspondantes.

Idées clés

• La méthode classe des états de marché étiquetés au lieu de prévoir directement les rendements.
• Les caractéristiques sont choisies selon leur capacité à différencier les étiquettes d’état.
• Des classificateurs neuronaux produisent des probabilités d’achat ou de vente qui sont combinées en stratégies.
• Un score historique personnalisé pénalise une faible activité de trading et une mobilisation limitée de capitaux.
• Sur Bitcoin, les ensembles auraient surpassé les comparaisons citées hors échantillon, mais les détails de mise en œuvre ne sont pas fournis.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.