퀀트 투자 온라인 학습 연구

기사 arXiv papers · 저자: Nicholas Murphy et al.

요약

이 연구는 적대적 전문가 기반 온라인 학습을 사용해 무비용 포트폴리오 전략의 매개변수를 선택하고 기술적 트레이딩 전략을 하나의 통합 포트폴리오로 결합합니다. 요하네스버그 증권거래소의 일간 및 장중 데이터를 바탕으로 전략 집단을 살펴본 뒤, 비지도 학습으로 변화하는 구성을 축소하고 시각화합니다. 분석에는 거래 비용과 슬리피지도 반영하며, 온라인 벤치마크 포트폴리오 알고리즘과 성과를 비교하고 백테스트 과최적화 위험을 추정합니다.

통합 전략은 가설 검정을 통해 통계적 차익거래인지 평가되며, 표본 빈도에 따라 결과가 다릅니다. 비용을 반영한 뒤 일간 전략은 검정을 통과하지 못하지만, 장중 전략은 비용 반영 후에도 통계적 차익거래라는 가설이 기각되지 않습니다. 이 차이는 연구에 사용된 과거 데이터와 절차에서 나온 근거이지 미래 수익성의 증거는 아닙니다. 결론은 선택한 전략, 시장 데이터, 비용 및 슬리피지 추정치, 통계 검정에 따라 달라지며, 발췌문에는 상세한 수치 성과가 제시되지 않습니다.

핵심 아이디어

온라인 학습 알고리즘이 매개변수를 선택하고 기술적 트레이딩 전략을 포트폴리오로 결합합니다.
연구는 요하네스버그 증권거래소의 일간 및 장중 데이터를 살펴봅니다.
비용 반영 후 일간 통합 전략은 통계적 차익거래 검정을 통과하지 못하지만, 장중 전략은 기각되지 않습니다.
분석에는 슬리피지, 거래 비용, 벤치마크 알고리즘, 백테스트 과최적화가 고려됩니다.
과거의 통계적 결과만으로 전략이 계속 수익을 낼 것이라고 단정할 수 없습니다.

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.

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

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

기술적 트레이딩 전략의 온라인 학습과 통계 검정

요약

핵심 아이디어

태그