Mô hình Markov ẩn cho động lượng trong ngày với thông tin bổ trợ
Tóm tắt
Tài liệu mô tả cách tiếp cận trạng thái ẩn cho giao dịch động lượng trong ngày. Mô hình xem lợi suất chứng khoán nhiễu là các quan sát được tạo ra từ trạng thái động lượng tiềm ẩn, nhằm tránh độ trễ mà bộ lọc số có thể tạo ra khi xu hướng đảo chiều. Số trạng thái ẩn được đánh giá bằng kiểm định chéo, tiêu chí hợp lý có phạt và lựa chọn hợp lý biên dựa trên mô phỏng; các phương pháp này thiên về hai hoặc ba trạng thái. Tham số được ước lượng bằng Baum-Welch và chuỗi Markov Monte Carlo theo mô hình phát xạ Gaussian đơn biến đã rời rạc hóa.
Khuôn khổ cũng kết hợp thông tin bổ trợ thông qua mô hình Markov ẩn đầu vào-đầu ra. Các ví dụ sử dụng tỷ lệ biến động thực tế và tính mùa vụ trong ngày, với các hàm spline để nắm bắt mối quan hệ dự báo. Suy luận Bayes và thuật toán tiến tạo ra dự báo lợi suất kỳ tiếp theo. Tài liệu trình bày một cách tiếp cận mô hình hóa và báo cáo kết quả lựa chọn mô hình, nhưng mô tả được cung cấp không nêu kết quả hiệu suất giao dịch hay bối cảnh dữ liệu chi tiết. Giả định phát xạ được nêu là có tính hạn chế; phần mở rộng phi tham số và dự báo không đồng bộ được đề xuất như những điều chỉnh tiềm năng.
Ý chính
- Trạng thái động lượng tiềm ẩn được dùng để biểu diễn quá trình tạo ra lợi suất trong ngày nhiễu.
- Mô hình hướng đến tránh độ trễ tín hiệu khi động lượng thị trường đổi chiều.
- Kiểm định chéo, hợp lý có phạt và lựa chọn dựa trên mô phỏng thiên về hai hoặc ba trạng thái ẩn.
- Tỷ lệ biến động và tính mùa vụ trong ngày có thể được đưa vào mô hình làm thông tin bổ trợ thông qua các hàm spline.
- Thuật toán tiến hỗ trợ dự báo Bayes về lợi suất tiếp theo.
Thẻ
Toàn văn
# 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.
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.