補助情報を用いた日中モメンタムの隠れマルコフモデル
記事 arXiv papers · 著者: Hugh Christensen et al.
サマリー
本資料では、日中モメンタム取引への隠れ状態アプローチを説明しています。ノイズを含む証券リターンを潜在的なモメンタム状態から生じる観測値としてモデル化し、トレンド反転時にデジタルフィルターがもたらす可能性のある遅れを避けることを目指しています。隠れ状態の数は、交差検証、ペナルティ付き尤度基準、シミュレーションに基づく周辺尤度選択で評価され、これらの手法は2状態または3状態を支持します。離散化された一変量ガウス放出モデルのもとで、バウム・ウェルチ法とマルコフ連鎖モンテカルロ法によりパラメータを推定します。
この枠組みには、入出力型隠れマルコフモデルを通じて補助情報も取り入れています。例では実現ボラティリティ比率と日中季節性を用い、予測関係をスプラインで表現しています。ベイズ推論と前向きアルゴリズムによって次期のリターンを予測します。本資料はモデル化手法を提示し、モデル選択の結果を報告していますが、提供された説明には取引パフォーマンスの結果や詳細なデータ背景はありません。記載された放出分布の仮定には制約があり、ノンパラメトリック拡張と非同期予測が変更案として提案されています。
主なアイデア
- 潜在的なモメンタム状態を用いて、ノイズを含む日中リターンの背後にある過程を表現しています。
- 市場のモメンタムが方向を変える際のシグナルの遅れを避けることを目指しています。
- 交差検証、ペナルティ付き尤度、シミュレーションに基づく選択は、2状態または3状態を支持しています。
- ボラティリティ比率と日中季節性を、スプラインを介して補助情報としてモデルに組み込めます。
- 前向きアルゴリズムにより、ベイズ推論を用いた次期リターンの予測が可能になります。
タグ
全文
# 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.
出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0
この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。