Сделки на опережающих и запаздывающих связях акций: кластеризация волатильности и причинные тесты
Сводка
В исследовании представлен процесс поиска направленных торговых сигналов на основе взаимосвязей между девятью акциями. Сначала акции группируются по исторической волатильности среднего диапазона цен с помощью модели гауссовой смеси, затем предиктивные связи проверяются тестом причинности Грейнджера, модифицированной процедурой PCMCI и эффективной передаточной энтропией. Для оценки временного лага, на котором можно торговать по сигналу, используются динамическое временное искажение и классификатор ближайших соседей. Полученная стратегия оценивается с помощью бэктестинга.
За период с 8 июня по 12 августа 2023 доходность портфеля составила 15.38% против 10.39% у стратегии «купить и держать». В статье также сообщается о коэффициенте Шарпа до 2.17 и доле выигрышных сделок до 100% для некоторых пар. Эти результаты ограничены указанными акциями и коротким тестовым периодом; в резюме не описаны транзакционные издержки, вневыборочная проверка за пределами этого периода или устойчивость в разных рыночных режимах. Поэтому представленная эффективность иллюстрирует потенциал процесса, но не доказывает, что сигналы будут обобщаться на другие условия.
Ключевые идеи
- Перед проверкой возможных предиктивных взаимосвязей акции группируются по исторической волатильности.
- Для многоэтапного отбора связей используются причинность Грейнджера, модифицированный тест PCMCI и эффективная передаточная энтропия.
- Динамическое временное искажение и метод ближайших соседей применяются для оценки времени между сигналом и сделкой.
- В представленном коротком периоде оценки бэктест показал результат выше, чем стратегия «купить и держать».
- Короткий тестовый период и неуказанные детали реализации ограничивают выводы об обобщаемости результатов.
Теги
Полный текст
# 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.
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.