Xây dựng danh mục chiến lược giao dịch từ các trạng thái thị trường được phân loại

Tóm tắt

Tài liệu mô tả cách xây dựng chiến lược bằng việc phân loại trạng thái thị trường thay vì dự báo trực tiếp giá hoặc lợi suất. Nhãn xác định các trạng thái, còn những đặc trưng thị trường như đường trung bình động được chọn dựa trên khả năng phân biệt các nhãn đó. Một mạng nơ-ron riêng dự đoán từng nhãn từ các đặc trưng và đưa ra xác suất mua hoặc bán; các khuyến nghị được kết hợp tuyến tính thành những chiến lược ứng viên.

Để chọn chiến lược đưa vào danh mục kết hợp, các tác giả tạo điểm số dựa trên lợi suất lịch sử, đồng thời phạt những chiến lược có ít giao dịch hoặc sử dụng ít vốn. Họ báo cáo rằng các danh mục kết hợp từ những chiến lược có điểm cao nhất vượt trội so với các chiến lược được so sánh riêng lẻ về cả lợi suất lẫn lợi suất đã điều chỉnh theo rủi ro, ngoài mẫu trên Bitcoin. Họ cũng nhận thấy điểm số lịch sử tùy chỉnh có tương quan với thành công trong tương lai. Tài liệu lưu ý một số chiến lược ứng viên có thể gây hiểu lầm, nhưng không nêu ngày lấy mẫu, chi tiết chuẩn đối chiếu, giả định chi phí hay kết quả bằng số. Vì nhãn được tính bằng dữ liệu tương lai, phương pháp đòi hỏi phải loại thông tin đó khỏi đầu vào của bộ phân loại và quy trình đánh giá; phần tóm tắt không mô tả các biện pháp bảo vệ này.

Ý chính

• Phương pháp phân loại các trạng thái thị trường đã gán nhãn thay vì dự báo trực tiếp lợi suất.
• Các đặc trưng được chọn dựa trên khả năng phân biệt các nhãn trạng thái.
• Bộ phân loại mạng nơ-ron tạo xác suất mua hoặc bán rồi kết hợp chúng thành các chiến lược.
• Điểm số lịch sử tùy chỉnh phạt mức độ giao dịch thấp và lượng vốn tham gia hạn chế.
• Các danh mục kết hợp Bitcoin được báo cáo là vượt trội so với những phương án so sánh được nêu ngoài mẫu, dù thiếu chi tiết triển khai.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.