Học trực tuyến và kiểm định thống kê cho chiến lược giao dịch kỹ thuật

Tóm tắt

Nghiên cứu sử dụng học trực tuyến dựa trên chuyên gia đối kháng để chọn tham số cho các chiến lược danh mục không chi phí và kết hợp các chiến lược giao dịch kỹ thuật thành một danh mục tổng hợp. Nghiên cứu khảo sát tập hợp chiến lược trên dữ liệu hằng ngày và trong ngày của Sở Giao dịch Chứng khoán Johannesburg, sau đó dùng học không giám sát để rút gọn và trực quan hóa thành phần đang thay đổi của chúng. Phân tích cũng tính đến chi phí giao dịch và trượt giá, so sánh hiệu suất với thuật toán danh mục chuẩn trực tuyến, và ước tính rủi ro khớp quá mức trong kiểm thử lịch sử.

Các chiến lược tổng hợp được đánh giá về kinh doanh chênh lệch giá thống kê bằng một kiểm định giả thuyết, với kết quả khác nhau theo tần suất lấy mẫu: sau khi tính chi phí, các chiến lược hằng ngày không vượt qua kiểm định, còn các chiến lược trong ngày không bị bác bỏ là kinh doanh chênh lệch giá thống kê. Sự khác biệt này là bằng chứng từ các bộ dữ liệu lịch sử và quy trình được dùng trong nghiên cứu, không phải bằng chứng về khả năng sinh lợi trong tương lai. Kết luận được báo cáo phụ thuộc vào các chiến lược được chọn, dữ liệu thị trường, ước tính chi phí và trượt giá, cùng các kiểm định thống kê; phần trích dẫn không cung cấp kết quả hiệu suất số chi tiết.

Ý chính

• Thuật toán học trực tuyến chọn tham số và kết hợp các chiến lược giao dịch kỹ thuật thành một danh mục.
• Nghiên cứu khảo sát dữ liệu hằng ngày và trong ngày của Sở Giao dịch Chứng khoán Johannesburg.
• Sau khi tính chi phí, các chiến lược tổng hợp hằng ngày không vượt qua kiểm định kinh doanh chênh lệch giá thống kê, còn các chiến lược trong ngày không bị bác bỏ.
• Phân tích xem xét trượt giá, chi phí giao dịch, thuật toán chuẩn và tình trạng quá khớp trong kiểm thử lịch sử.
• Kết quả thống kê trong quá khứ không chứng minh các chiến lược sẽ tiếp tục sinh lợi.

Thẻ

# 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.

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.