Создание ансамблей стратегий на основе состояний рынка

Сводка

В документе описано построение стратегий на основе классификации состояний рынка вместо прямого прогнозирования цен или доходности. Состояния задаются метками, а рыночные признаки, например скользящие средние, выбираются по тому, насколько хорошо они различают эти метки. Отдельная нейронная сеть прогнозирует каждую метку по признакам и выдает вероятности покупки или продажи; рекомендации линейно объединяются в стратегии-кандидаты.

Для отбора стратегий в ансамбли авторы создают оценку на основе исторической доходности, которая также снижает рейтинг стратегий с небольшим числом сделок или малым задействованным капиталом. По их утверждению, ансамбли из стратегий с наивысшей оценкой превосходят отдельные стратегии для сравнения по доходности и доходности с поправкой на риск вне выборки на Bitcoin. Авторы также обнаруживают корреляцию разработанной ими исторической оценки с будущим успехом. В документе отмечается, что некоторые стратегии-кандидаты могут вводить в заблуждение, но не приводятся даты выборки, детали бенчмарков, предположения о затратах или численные результаты. Поскольку метки рассчитываются с использованием будущих данных, метод требует исключать эту информацию из входных данных классификатора и процесса оценки; в кратком описании меры защиты не раскрыты.

Ключевые идеи

• Метод классифицирует размеченные состояния рынка, а не прогнозирует доходность напрямую.
• Признаки выбираются по способности разделять метки состояний.
• Классификаторы на основе нейронных сетей выдают вероятности покупки или продажи, которые объединяются в стратегии.
• Специальная историческая оценка снижает рейтинг стратегий с низкой торговой активностью и малым задействованным капиталом.
• По утверждению авторов, ансамбли для Bitcoin превосходят указанные варианты сравнения вне выборки, хотя детали реализации не приведены.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.