Скрытые марковские модели импульса внутри дня с дополнительной информацией

Сводка

В документе описан подход к торговле импульсом внутри дня на основе скрытых состояний. Шумные доходности ценных бумаг моделируются как наблюдения, порождённые скрытым состоянием импульса; цель — избежать запаздывания цифровых фильтров при развороте тренда. Число скрытых состояний оценивается с помощью перекрёстной проверки, критериев правдоподобия со штрафом и выбора по маргинальному правдоподобию на основе симуляций; эти методы отдают предпочтение двум или трём состояниям. Параметры оцениваются алгоритмом Баума—Уэлша и методом Монте-Карло по цепям Маркова при дискретизированной одномерной гауссовской модели эмиссий.

Дополнительная информация включается в модель через скрытую марковскую модель «вход—выход». В примерах используются отношение реализованной волатильности и внутридневная сезонность; для описания предсказательных связей применяются сплайны. Байесовский вывод и прямой алгоритм дают прогноз доходности следующего периода. В документе изложен подход к моделированию и результаты выбора модели, но предоставленное описание не содержит результатов торговли или подробных сведений о данных. Заявленное предположение о распределении эмиссий ограничительно; в качестве возможных изменений предлагаются непараметрическое расширение и асинхронное прогнозирование.

Ключевые идеи

• Для описания процесса, лежащего в основе шумной внутридневной доходности, используется скрытое состояние импульса.
• Модель призвана уменьшить запаздывание сигнала при смене направления рыночного импульса.
• Перекрёстная проверка, правдоподобие со штрафом и выбор на основе симуляций указывают на два или три скрытых состояния.
• Отношения волатильности и внутридневную сезонность можно включать в модель как дополнительную информацию с помощью сплайнов.
• Прямой алгоритм поддерживает байесовское прогнозирование следующей доходности.

Теги

# 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.

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.