Sinais de liderança e defasagem entre ações com volatilidade e testes causais
Resumo
O estudo apresenta um processo para encontrar sinais direcionais de trading a partir das relações entre nove ações. Primeiro, agrupa as ações pela volatilidade histórica de faixa média usando um modelo de mistura gaussiana; depois, testa relações preditivas com causalidade de Granger, um procedimento PCMCI personalizado e entropia de transferência efetiva. Dynamic Time Warping e um classificador K-Nearest Neighbours são usados para estimar a defasagem em que um sinal poderia ser negociado. A estratégia resultante é avaliada por backtesting.
No período de 8 de junho a 12 de agosto de 2023, o retorno de carteira relatado foi de 15.38%, ante 10.39% para a estratégia de comprar e manter. O artigo também relata um índice de Sharpe de até 2.17 e taxas de acerto de até 100% para alguns pares. Esses resultados se limitam às ações indicadas e ao curto período de teste; o resumo não descreve custos de transação, validação fora da amostra além desse período nem robustez em diferentes regimes de mercado. Portanto, o desempenho relatado ilustra o potencial do processo, mas não demonstra que os sinais serão generalizáveis.
Ideias principais
- As ações são agrupadas por volatilidade histórica antes dos testes de possíveis relações preditivas.
- Causalidade de Granger, um teste PCMCI personalizado e entropia de transferência efetiva formam um processo em várias etapas para filtrar relações.
- Dynamic Time Warping e K-Nearest Neighbours são usados para estimar o intervalo entre o sinal e a negociação.
- O backtest relatado superou a estratégia de comprar e manter na curta janela de avaliação indicada.
- O período de teste limitado e os detalhes de implementação não especificados restringem as conclusões sobre a generalização.
Tags
Texto completo
# A Framework for Predictive Directional Trading Based on Volatility and Causal Inference # A Framework for Predictive Directional Trading Based on Volatility and Causal Inference Purpose: This study introduces a novel framework for identifying and exploiting predictive lead-lag relationships in financial markets. We propose an integrated approach that combines advanced statistical methodologies with machine learning models to enhance the identification and exploitation of predictive relationships between equities. Methods: We employed a Gaussian Mixture Model (GMM) to cluster nine prominent stocks based on their mid-range historical volatility profiles over a three-year period. From the resulting clusters, we constructed a multi-stage causal inference pipeline, incorporating the Granger Causality Test (GCT), a customised Peter-Clark Momentary Conditional Independence (PCMCI) test, and Effective Transfer Entropy (ETE) to identify robust, predictive linkages. Subsequently, Dynamic Time Warping (DTW) and a K-Nearest Neighbours (KNN) classifier were utilised to determine the optimal time lag for trade execution. The resulting strategy was rigorously backtested. Results: The proposed volatility-based trading strategy, tested from 8 June 2023 to 12 August 2023, demonstrated substantial efficacy. The portfolio yielded a total return of 15.38%, significantly outperforming the 10.39% return of a comparative Buy-and-Hold strategy. Key performance metrics, including a Sharpe Ratio up to 2.17 and a win rate up to 100% for certain pairs, confirmed the strategy's viability. Conclusion: This research contributes a systematic and robust methodology for identifying profitable trading opportunities derived from volatility-based causal relationships. The findings have significant implications for both academic research in financial modelling and the practical application of algorithmic trading, offering a structured approach to developing resilient, data-driven strategies.
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.