Construção de conjuntos de estratégias de trading com estados de mercado classificados

Resumo

O documento descreve a construção de estratégias por meio da classificação dos estados do mercado, em vez da previsão direta de preços ou retornos. Os rótulos definem os estados, e características do mercado, como médias móveis, são selecionadas pela capacidade de distinguir esses rótulos. Uma rede neural separada prevê cada rótulo com base nas características e gera probabilidades de compra ou venda; as recomendações são combinadas linearmente em estratégias candidatas.

Para selecionar estratégias para conjuntos, os autores criam uma pontuação baseada em retornos históricos que também penaliza estratégias com poucas operações ou pouco capital alocado. Relatam que conjuntos formados pelas estratégias com as maiores pontuações superam as comparações individuais tanto em retornos quanto em retornos ajustados ao risco, fora da amostra, no Bitcoin. Também constatam que a pontuação histórica personalizada se correlaciona com o sucesso futuro. O documento observa que algumas estratégias candidatas podem induzir a erro, mas não informa as datas da amostra, os detalhes dos benchmarks, as premissas de custos nem resultados numéricos. Como os rótulos são calculados usando dados futuros, o método depende de manter essas informações fora das entradas do classificador e do processo de avaliação; o resumo não descreve essas salvaguardas.

Ideias principais

• O método classifica estados de mercado rotulados em vez de prever retornos diretamente.
• As características são escolhidas pela capacidade de separar os rótulos dos estados.
• Classificadores de redes neurais produzem probabilidades de compra ou venda, que são combinadas em estratégias.
• Uma pontuação histórica personalizada penaliza pouca atividade de trading e baixo capital envolvido.
• Os conjuntos para Bitcoin supostamente superam as comparações citadas fora da amostra, embora os detalhes de implementação não sejam informados.

Tags

# Constructing trading strategy ensembles by classifying market states


# Constructing trading strategy ensembles by classifying market states









Rather than directly predicting future prices or returns, we follow a more recent trend in asset management and classify the state of a market based on labels. We use numerous standard labels and even construct our own ones. The labels rely on future data to be calculated, and can be used a target for training a market state classifier using an appropriate set of market features, e.g. moving averages. The construction of those features relies on their label separation power. Only a set of reasonable distinct features can approximate the labels. For each label we use a specific neural network to classify the state using the market features from our feature space. Each classifier gives a probability to buy or to sell and combining all their recommendations (here only done in a linear way) results in what we call a trading strategy. There are many such strategies and some of them are somewhat dubious and misleading. We construct our own metric based on past returns but penalising for a low number of transactions or small capital involvement. Only top score-performance-wise trading strategies end up in final ensembles. Using the Bitcoin market we show that the strategy ensembles outperform both in returns and risk-adjusted returns in the out-of-sample period. Even more so we demonstrate that there is a clear correlation between the success achieved in the past (if measured in our custom metric) and the future.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.