Онлайн-обучение и статистические тесты торговых стратегий на индикаторах

Сводка

В исследовании онлайн-обучение на основе экспертных оценок в условиях противодействия используется для выбора параметров портфельных стратегий с нулевыми издержками и объединения технических торговых стратегий в сводный портфель. Изучаются наборы стратегий на дневных и внутридневных данных Йоханнесбургской фондовой биржи, а затем методы обучения без учителя применяются для сокращения размерности и визуализации изменений в составе этих наборов. В анализ также включены торговые издержки и проскальзывание; результаты сравниваются с онлайн-алгоритмом эталонного портфеля и оценивается риск переобучения бэктеста.

Сводные стратегии оцениваются на предмет статистического арбитража с помощью проверки гипотез; результаты различаются в зависимости от частоты выборки: дневные стратегии не проходят тесты после учета издержек, тогда как внутридневные стратегии после учета издержек не опровергаются как статистический арбитраж. Это различие отражает исторические данные и процедуры исследования, а не доказывает будущую прибыльность. Вывод зависит от выбранных стратегий, рыночных данных, оценок издержек и проскальзывания, а также статистических тестов; во фрагменте нет подробных численных результатов.

Ключевые идеи

• Алгоритм онлайн-обучения выбирает параметры и объединяет технические торговые стратегии в портфель.
• В исследовании используются дневные и внутридневные данные Йоханнесбургской фондовой биржи.
• После учета издержек дневные сводные стратегии не проходят тесты на статистический арбитраж, а внутридневные не опровергаются.
• В анализе учитываются проскальзывание, транзакционные издержки, эталонный алгоритм и переобучение бэктеста.
• Исторические статистические результаты не доказывают, что стратегии сохранят прибыльность.

Теги

# 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.

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.