Aprendizado online e testes estatísticos para estratégias técnicas de trading

Resumo

Este estudo usa aprendizado online adversarial baseado em especialistas para selecionar parâmetros de estratégias de carteira de custo zero e combinar estratégias técnicas de trading em uma carteira agregada. Ele examina conjuntos de estratégias com dados diários e intradiários da Bolsa de Valores de Joanesburgo e, em seguida, usa aprendizado não supervisionado para reduzir e visualizar a composição variável desses conjuntos. A análise também considera custos de trading e slippage, compara o desempenho com um algoritmo online de carteira de referência e estima o risco de sobreajuste do backtest.

As estratégias agregadas são avaliadas quanto à arbitragem estatística por meio de um teste de hipótese, com resultados diferentes conforme a frequência de amostragem: as estratégias diárias não passam nos testes após os custos, enquanto as intradiárias não são refutadas como arbitragem estatística após os custos. Essa distinção é uma evidência dos conjuntos de dados históricos e dos procedimentos usados no estudo, não uma prova de rentabilidade futura. A conclusão relatada depende das estratégias escolhidas, dos dados de mercado, das estimativas de custos e slippage e dos testes estatísticos; o trecho não apresenta resultados numéricos detalhados de desempenho.

Ideias principais

• Um algoritmo de aprendizado online seleciona parâmetros e combina estratégias técnicas de trading em uma carteira.
• O estudo examina dados diários e intradiários da Bolsa de Valores de Joanesburgo.
• Após os custos, as estratégias agregadas diárias não passam nos testes de arbitragem estatística, enquanto as intradiárias não são refutadas.
• A análise considera slippage, custos de transação, um algoritmo de referência e sobreajuste do backtest.
• Resultados estatísticos históricos não demonstram que as estratégias continuarão rentáveis.

Tags

# Learning the dynamics of technical trading strategies


# Learning the dynamics of technical trading strategies









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.

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.