Signaux d’avance-retard entre actions : regroupement par volatilité et tests causaux

Résumé

L’étude présente une méthode pour repérer des signaux directionnels de trading à partir des relations entre neuf actions. Elle regroupe d’abord les actions selon leur niveau de volatilité historique intermédiaire à l’aide d’un modèle de mélange gaussien, puis recherche des liens prédictifs au moyen de la causalité de Granger, d’une procédure PCMCI personnalisée et de l’entropie de transfert effective. Le Dynamic Time Warping et un classifieur des k plus proches voisins servent à estimer le décalage auquel un signal pourrait être négocié. La stratégie obtenue est évaluée par backtesting.

Pour la période du 8 juin au 12 août 2023, le rendement de portefeuille annoncé était de 15.38%, contre 10.39% pour une stratégie d’achat-conservation. L’article rapporte également un ratio de Sharpe allant jusqu’à 2.17 et des taux de réussite atteignant 100% pour certaines paires. Ces résultats se limitent aux actions indiquées et à une courte période de test ; le résumé ne décrit ni les coûts de transaction, ni une validation hors échantillon au-delà de cette période, ni la robustesse selon les régimes de marché. Les performances rapportées illustrent donc le potentiel de la méthode sans établir que ses signaux se généraliseront.

Idées clés

• Les actions sont regroupées selon leur volatilité historique avant l’examen des relations prédictives possibles.
• La causalité de Granger, un test PCMCI personnalisé et l’entropie de transfert effective forment un processus de filtrage des liens en plusieurs étapes.
• Le Dynamic Time Warping et les k plus proches voisins servent à estimer le moment où négocier un signal.
• Le backtest annoncé a dépassé la stratégie d’achat-conservation sur sa courte période d’évaluation déclarée.
• La courte période de test et les détails de mise en œuvre non précisés limitent les conclusions sur la généralisation.

Étiquettes

# A Framework for Predictive Directional Trading Based on Volatility and Causal Inference


# A Framework for Predictive Directional Trading Based on Volatility and Causal Inference









Purpose: This study introduces a novel framework for identifying and exploiting predictive lead-lag relationships in financial markets. We propose an integrated approach that combines advanced statistical methodologies with machine learning models to enhance the identification and exploitation of predictive relationships between equities. Methods: We employed a Gaussian Mixture Model (GMM) to cluster nine prominent stocks based on their mid-range historical volatility profiles over a three-year period. From the resulting clusters, we constructed a multi-stage causal inference pipeline, incorporating the Granger Causality Test (GCT), a customised Peter-Clark Momentary Conditional Independence (PCMCI) test, and Effective Transfer Entropy (ETE) to identify robust, predictive linkages. Subsequently, Dynamic Time Warping (DTW) and a K-Nearest Neighbours (KNN) classifier were utilised to determine the optimal time lag for trade execution. The resulting strategy was rigorously backtested. Results: The proposed volatility-based trading strategy, tested from 8 June 2023 to 12 August 2023, demonstrated substantial efficacy. The portfolio yielded a total return of 15.38%, significantly outperforming the 10.39% return of a comparative Buy-and-Hold strategy. Key performance metrics, including a Sharpe Ratio up to 2.17 and a win rate up to 100% for certain pairs, confirmed the strategy's viability. Conclusion: This research contributes a systematic and robust methodology for identifying profitable trading opportunities derived from volatility-based causal relationships. The findings have significant implications for both academic research in financial modelling and the practical application of algorithmic trading, offering a structured approach to developing resilient, data-driven strategies.

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.