تکنیکی ٹریڈنگ اسٹریٹیجیز کے لیے آن لائن لرننگ اور شماریاتی آزمائشیں

مضمون arXiv papers · مصنف: Nicholas Murphy et al.

خلاصہ

یہ مطالعہ صفر لاگت والے پورٹ فولیو اسٹریٹیجیز کے پیرامیٹرز منتخب کرنے اور تکنیکی ٹریڈنگ اسٹریٹیجیز کو ایک مجموعی پورٹ فولیو میں ملانے کے لیے مخالفانہ ماہرین پر مبنی آن لائن لرننگ استعمال کرتا ہے۔ یہ جوہانسبرگ اسٹاک ایکسچینج کے روزانہ اور دن کے اندر کے ڈیٹا پر اسٹریٹیجی کے مجموعوں کا جائزہ لیتا، پھر غیر نگرانی شدہ لرننگ سے ان کی بدلتی ساخت کو کم اور بصری طور پر دکھاتا ہے۔ تجزیہ ٹریڈنگ لاگت اور سلپیج کو بھی شامل کرتا، ایک آن لائن بینچ مارک پورٹ فولیو الگورتھم سے کارکردگی کا موازنہ کرتا، اور بیک ٹیسٹ میں حد سے زیادہ مطابقت کے خطرے کا تخمینہ لگاتا ہے۔

مجموعی اسٹریٹیجیز کو مفروضے کی آزمائش کے ذریعے شماریاتی آربیٹریج کے لیے جانچا گیا، اور نمونے لینے کی فریکوئنسی کے مطابق نتائج مختلف تھے: لاگت کے بعد روزانہ کی اسٹریٹیجیز آزمائشوں میں ناکام ہوئیں، جبکہ دن کے اندر کی اسٹریٹیجیز لاگت کے بعد شماریاتی آربیٹریج کے طور پر رد نہیں ہوئیں۔ یہ فرق مطالعے میں استعمال کیے گئے تاریخی ڈیٹا اور طریقۂ کار کا ثبوت ہے، مستقبل کی منافع پذیری کا ثبوت نہیں۔ رپورٹ کردہ نتیجہ منتخب اسٹریٹیجیز، مارکیٹ ڈیٹا، لاگت اور سلپیج کے تخمینوں، اور شماریاتی آزمائشوں پر منحصر ہے؛ اقتباس میں کارکردگی کے تفصیلی عددی نتائج نہیں۔

اہم خیالات

ایک آن لائن لرننگ الگورتھم پیرامیٹرز منتخب کرتا اور تکنیکی ٹریڈنگ اسٹریٹیجیز کو پورٹ فولیو میں ملاتا ہے۔
مطالعہ جوہانسبرگ اسٹاک ایکسچینج کے روزانہ اور دن کے اندر کے ڈیٹا کا جائزہ لیتا ہے۔
لاگت کے بعد روزانہ کی مجموعی اسٹریٹیجیز شماریاتی آربیٹریج کی آزمائشوں میں ناکام ہوئیں، جبکہ دن کے اندر کی اسٹریٹیجیز رد نہیں ہوئیں۔
تجزیے میں سلپیج، ٹرانزیکشن لاگت، بینچ مارک الگورتھم اور بیک ٹیسٹ میں حد سے زیادہ مطابقت شامل ہیں۔
تاریخی شماریاتی نتائج یہ ثابت نہیں کرتے کہ اسٹریٹیجیز آئندہ بھی منافع بخش رہیں گی۔

ٹیگز

تکنیکی اشارے مشین لرننگ بیک ٹیسٹنگ شماریات آرڈر پر عمل درآمد

مکمل متن

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔