Modelos ocultos de Markov para momentum intradiário com variáveis auxiliares

Resumo

Este documento descreve uma abordagem de estados ocultos para a negociação de momentum intradiário. Modela retornos ruidosos de ativos como observações geradas por um estado latente de momentum, com o objetivo de evitar o atraso que filtros digitais podem introduzir quando as tendências se invertem. O número de estados ocultos é avaliado por validação cruzada, critérios de verossimilhança penalizada e seleção da verossimilhança marginal baseada em simulação; esses métodos favorecem dois ou três estados. Os parâmetros são estimados com Baum-Welch e Monte Carlo via cadeias de Markov sob um modelo de emissão gaussiana univariada discretizada.

A estrutura também incorpora variáveis auxiliares por meio de um modelo oculto de Markov de entrada e saída. Os exemplos usam uma razão de volatilidade realizada e sazonalidade intradiária, com splines para capturar relações preditivas. A inferência bayesiana e o algoritmo forward produzem previsões de retorno para o período seguinte. O documento apresenta uma abordagem de modelagem e relata resultados de seleção de modelos, mas a descrição fornecida não traz resultados de desempenho em negociações nem contexto detalhado dos dados. A hipótese de emissão declarada é restritiva; uma extensão não paramétrica e previsões para observações assíncronas são propostas como possíveis modificações.

Ideias principais

• Um estado latente de momentum é usado para representar o processo por trás dos retornos intradiários ruidosos.
• O modelo busca evitar o atraso do sinal quando a tendência do mercado muda de direção.
• Validação cruzada, verossimilhança penalizada e seleção baseada em simulação favorecem dois ou três estados ocultos.
• Razões de volatilidade e sazonalidade intradiária podem entrar no modelo como informações adicionais por meio de splines.
• O algoritmo forward dá suporte à previsão bayesiana do próximo retorno.

Tags

# 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.

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.