Modèles de Markov cachés pour le momentum intrajournalier avec information auxiliaire

Résumé

Ce document décrit une approche à états cachés pour le trading de momentum intrajournalier. Il modélise les rendements bruités des titres comme des observations produites par un état de momentum latent, afin d’éviter le retard que les filtres numériques peuvent introduire lors des retournements de tendance. Le nombre d’états cachés est évalué par validation croisée, critères de vraisemblance pénalisée et sélection de vraisemblance marginale fondée sur des simulations ; ces méthodes privilégient deux ou trois états. Les paramètres sont estimés par Baum-Welch et par Monte-Carlo par chaînes de Markov, sous un modèle d’émission gaussienne univariée discrétisée.

Le cadre intègre également des informations auxiliaires au moyen d’un modèle de Markov caché entrée-sortie. Les exemples utilisent un ratio de volatilité réalisée et la saisonnalité intrajournalière, avec des splines pour saisir les relations prédictives. L’inférence bayésienne et l’algorithme forward produisent des prévisions de rendement pour la période suivante. Le document présente une approche de modélisation et rapporte des résultats de sélection de modèle, mais la description fournie ne donne ni performances de trading ni contexte détaillé sur les données. L’hypothèse d’émission indiquée est restrictive ; une extension non paramétrique et la prévision asynchrone sont proposées comme modifications possibles.

Idées clés

• Un état de momentum latent représente le processus à l’origine des rendements intrajournaliers bruités.
• Le modèle vise à éviter le retard du signal lorsque le momentum du marché change de direction.
• La validation croisée, la vraisemblance pénalisée et la sélection fondée sur des simulations privilégient deux ou trois états cachés.
• Les ratios de volatilité et la saisonnalité intrajournalière peuvent entrer dans le modèle comme informations auxiliaires au moyen de splines.
• L’algorithme forward permet une prévision bayésienne du rendement suivant.

Étiquettes

# Hidden Markov Models Applied To Intraday Momentum Trading With Side Information


# Hidden Markov Models Applied To Intraday Momentum Trading With Side Information









A Hidden Markov Model for intraday momentum trading is presented which specifies a latent momentum state responsible for generating the observed securities' noisy returns. Existing momentum trading models suffer from time-lagging caused by the delayed frequency response of digital filters. Time-lagging results in a momentum signal of the wrong sign, when the market changes trend direction. A key feature of this state space formulation, is no such lagging occurs, allowing for accurate shifts in signal sign at market change points. The number of latent states in the model is estimated using three techniques, cross validation, penalized likelihood criteria and simulation-based model selection for the marginal likelihood. All three techniques suggest either 2 or 3 hidden states. Model parameters are then found using Baum-Welch and Markov Chain Monte Carlo, whilst assuming a single (discretized) univariate Gaussian distribution for the emission matrix. Often a momentum trader will want to condition their trading signals on additional information. To reflect this, learning is also carried out in the presence of side information. Two sets of side information are considered, namely a ratio of realized volatilities and intraday seasonality. It is shown that splines can be used to capture statistically significant relationships from this information, allowing returns to be predicted. An Input Output Hidden Markov Model is used to incorporate these univariate predictive signals into the transition matrix, presenting a possible solution for dealing with the signal combination problem. Bayesian inference is then carried out to predict the securities $t+1$ return using the forward algorithm. Simple modifications to the current framework allow for a fully non-parametric model with asynchronous prediction.

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.