모멘텀 분석을 위한 은닉 마르코프 모형

기사 arXiv papers · 저자: Hugh Christensen et al.

요약

이 문서는 장중 모멘텀 트레이딩에 은닉 상태 접근법을 적용합니다. 잡음이 있는 증권 수익률을 잠재 모멘텀 상태에서 생성된 관측값으로 모형화해 추세가 반전될 때 디지털 필터에서 발생할 수 있는 지연을 피하고자 합니다. 교차 검증, 벌점 우도 기준, 시뮬레이션 기반 주변 우도 선택으로 은닉 상태의 수를 평가하며, 이 방법들은 두 개 또는 세 개 상태를 선호합니다. 이산화된 단변량 가우스 방출 모형 아래 바움-웰치와 마르코프 연쇄 몬테카를로로 매개변수를 추정합니다.

이 프레임워크는 입출력 은닉 마르코프 모형을 통해 부가 정보도 포함합니다. 사례에서는 실현 변동성 비율과 장중 계절성을 사용하고, 예측 관계를 포착하기 위해 스플라인을 적용합니다. 베이지안 추론과 전방 알고리즘으로 다음 기간 수익률을 예측합니다. 이 문서는 모형화 방법과 모형 선택 결과를 제시하지만, 설명에는 트레이딩 성과 결과나 상세한 데이터 맥락이 없습니다. 명시된 방출 가정은 제한적이며, 비모수 확장과 비동기 예측은 가능한 수정안으로 제안됩니다.

핵심 아이디어

잠재 모멘텀 상태를 사용해 잡음이 있는 장중 수익률의 생성 과정을 나타냅니다.
시장 모멘텀의 방향이 바뀔 때 신호가 지연되는 문제를 피하고자 합니다.
교차 검증, 벌점 우도, 시뮬레이션 기반 선택은 은닉 상태 두 개 또는 세 개를 선호합니다.
변동성 비율과 장중 계절성을 스플라인을 통해 부가 정보로 모형에 포함할 수 있습니다.
전방 알고리즘을 사용해 베이지안 방식으로 다음 수익률을 예측합니다.

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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

부가 정보를 활용한 장중 모멘텀 은닉 마르코프 모형

요약

핵심 아이디어

태그