Apprentissage en ligne et tests statistiques de stratégies techniques

Résumé

Cette étude utilise un apprentissage en ligne adversarial fondé sur des experts pour sélectionner les paramètres de stratégies de portefeuille sans coût et combiner des stratégies de trading technique en un portefeuille agrégé. Elle examine des ensembles de stratégies sur des données quotidiennes et intrajournalières de la Bourse de Johannesburg, puis applique un apprentissage non supervisé pour réduire et visualiser leur composition changeante. L’analyse prend aussi en compte les coûts de transaction et le slippage, compare les performances à un algorithme de portefeuille de référence en ligne et estime le risque de surajustement au backtest.

Les stratégies agrégées sont évaluées comme des arbitrages statistiques au moyen d’un test d’hypothèse, avec des résultats différents selon la fréquence d’échantillonnage : après coûts, les stratégies quotidiennes échouent aux tests, tandis que les stratégies intrajournalières ne sont pas invalidées comme arbitrages statistiques. Cette distinction repose sur les données historiques et les procédures utilisées dans l’étude ; elle ne prouve pas une rentabilité future. La conclusion rapportée dépend des stratégies retenues, des données de marché, des estimations de coûts et de slippage ainsi que des tests statistiques ; l’extrait ne fournit pas de résultats chiffrés détaillés.

Idées clés

• Un algorithme d’apprentissage en ligne sélectionne les paramètres et combine des stratégies de trading technique dans un portefeuille.
• L’étude examine des données quotidiennes et intrajournalières de la Bourse de Johannesburg.
• Après coûts, les stratégies agrégées quotidiennes échouent aux tests d’arbitrage statistique, tandis que les stratégies intrajournalières ne sont pas invalidées.
• L’analyse prend en compte le slippage, les coûts de transaction, un algorithme de référence et le surajustement au backtest.
• Les résultats statistiques historiques ne prouvent pas que les stratégies resteront rentables.

Étiquettes

# 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.

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.