学习技术交易策略的动态

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Learning the dynamics of technical trading strategies》
---
作者：
Nicholas Murphy and Tim Gebbie
---
最新提交年份：
2019
---
英文摘要：
  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.
---
中文摘要：
我们使用基于对抗性专家的在线学习算法来学习最大化财富交易零成本投资组合策略所需的最佳参数。该学习算法用于确定技术交易策略的相对总体动态，这些策略可以通过历史回溯测试，并从每日和当日约翰内斯堡证券交易所数据上实施的一组基础交易策略中形成一个整体聚合投资组合交易策略。使用无监督学习对生成的人口时间序列进行降维和可视化研究。一个关键贡献是，使用Jarrow et al.（2012）提出的新假设检验，在每日抽样和日内时间尺度上，对总体聚合交易策略进行统计套利测试。（低频）日抽样策略未通过成本后的套利测试，而（高频）日内抽样策略未被篡改为成本后的统计套利。考虑交易策略成功、交易成本和下滑的估计，以及用于性能比较的在线基准投资组合算法。此外，通过使用Bailey et al.（2016）介绍的非参数程序恢复回测过度拟合估计的概率，分析了算法的广义误差。这项工作旨在从数据知情的角度探索和更好地理解不同技术交易策略之间的相互作用。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> Learning_the_dynamics_of_technical_trading_strategies.pdf (2.38 MB)

2022-6-14 06:20:59 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：技术交易 交易策略 Quantitative Applications Contribution

2019年12月25日NMTG˙Arxiv˙V3学习技术交易策略的动态。J、 墨菲*+ 和T.J.GEBBIE§++南非开普敦Rondebosch开普敦大学统计科学系我们使用基于对抗性专家的在线学习算法来学习最大化财富交易零成本投资组合策略所需的最佳参数。该学习算法用于确定技术交易策略的相对种群动态，这些策略可以通过历史回溯测试，并从每日和当日约翰内斯堡证券交易所数据简化的基础交易策略集合中形成一个整体聚合投资组合交易策略。使用无监督学习对生成的人口时间序列进行降维和可视化研究。一个关键贡献是，使用Jarrow et al.（2012）提出的一个水平假设检验，在每日抽样和日内时间尺度上对总体聚合交易策略进行统计套利测试。（低频）日抽样策略未通过成本后的套利测试，而（高频）日内抽样策略未被认定为成本后的统计套利。考虑交易策略成功、交易成本和下滑的估计，以及用于性能比较的oêine基准组合算法。此外，使用Bailey等人（2016）介绍的非参数程序，通过发现反测试过拟合估计的概率，分析了算法的概化误差。

这项工作旨在从数据知情的角度探索和更好地理解不同技术交易策略之间的相互作用。关键词：在线学习；技术交易；投资组合选择；统计套利；背面测试覆盖；约翰内斯堡证券交易所JEL分类：G11、G14和O551。简介在多个时间段内同时实现财富最大化是一项艰巨的任务；尤其是当与资本分配相结合时，资本分配与合理的、可预测的交易策略和信号的选择同时进行。将战略选择与财富最大化相结合的一种方法是使用在线或顺序机器学习算法（Gy¨or fi et al.（2012））。在线投资组合选择算法试图自动化一系列股票之间的交易决策，以实现长期回报最大化。在这里，长期可以对应几个月甚至几年，并且取决于交易发生的频率。这些算法通常在交易期开始时使用历史市场数据来确定在一组股票中分配当前财富的方式。这些类型的算法可以使用更多的特性，而不仅仅是价格，也就是所谓的“附加信息”，但原理是一样的。这种方法的吸引力在于，投资者不需要了解可能产生股价的潜在分布（或者即使存在）。这个*通讯作者。§电子邮件：tim。gebbie@uct.ac.zaThis对于高频交易算法可能意味着几天到几周，对于每日（每周）交易算法可能意味着几个月（几年）。2019年12月25日，NMTG˙Arxiv˙V3投资者需要“学习”最佳投资组合，以直接使用过去的数据实现最大财富（Gy¨or fi et al。

(2012)).Cover（1991）推出了一种“跟随赢家”的在线投资算法，称为UniversalPortfolio（UP）算法。UP算法的基本思想是将资本分配给一组以不同投资组合或交易策略为特征的专家；然后让他们在每个迭代步骤中运行，将资本从输家转移到赢家，以找到最终的总财富。在这里，我们的“专家”将以投资组合为特征，但投资组合代表不同的交易策略。在这里，一个特定的代理独立于所有其他专家做出决策。UP算法将参数化常数再平衡投资组合（CRP）策略作为其基础专家。我们将采用更普遍的方法来培养专家。该算法提供了一种在所有CRP专家之间有效分配财富的方法，从而使该策略的平均对数性能接近最佳恒定再平衡投资组合（BCRP），这是所选择的后见策略，从长远来看，该策略可提供所有此类策略的最大回报。一项关键创新是基于遍历和平稳股票收益向量覆盖的任意序列（1991年），为这一主张提供了数学证明。如果存在某种对数最优投资组合，以至于没有其他投资策略具有更大的渐近平均增长，那么要实现这一点，必须充分了解基础分布和实现这种最优的生成过程（Algoet和Cover（1988）、Cover（1991）、Cover和Ordentlich（1996）、Gy¨or fi等（2008））。在金融市场的背景下，这种知识是不可能的。然而，当基础资产回报过程充分接近平稳和遍历时，实现平均增长率的策略是可能的，该平均增长率渐近接近对数最优策略。

这种战略被称为普遍一致。Gy–or fi et al.（2008）提出了一种普遍一致的投资组合策略，并提供了基于近邻专家的策略经验证明，该策略反映了这种渐近对数最优性。其想法是使用模式匹配将当前价格动态与类似的历史动态进行匹配。模式匹配采用最近邻搜索算法为专家选择参数。Loonat和Gebbie（2018）对模式匹配算法进行了扩展，以实现零成本投资组合，即长/短和自我融资投资组合。该算法还被重新转换，以使用学习到的look uplibraries复制近实时应用程序。然而，耦合和创建模式库会带来计算成本，而且算法并不是真正在线的。这里实施在线学习的一个关键目标是，基础专家在线学习，并且可以使用前一时间步中的参数在移动的有限数据窗口上顺序计算他们。在这里，我们忽略了上述算法中的模式匹配步骤，而是使用技术分析工具提出了我们自己的专家生成算法。具体来说，我们用一系列技术交易策略来代替模式匹配专家生成算法。技术分析指标是技术分析中常用的工具，用于生成交易策略（Chan（2009），Clayburg（2002））。他们声称能够通过研究历史市场数据中反复出现的模式（Creamer和Freund（2010）、Chande和Kroll（1994）、Rechenthin（2014）），利用股价和成交量中统计上可测量的短期市场机会。

技术分析与传统时间序列分析的不同之处在于，它倾向于强调重复出现的时间序列模式，而不是时间序列的不变统计特性。传统上，技术分析是一种视觉活动，交易员根据价格或成交量数据研究图表中的模式和趋势，并结合各种定性市场特征和新闻流使用这些诊断工具做出交易决策。这可能与炼金术和化学、占星术和天文学之间的关系没有什么不同，但在金融市场的背景下，但许多研究批评了许多拟议的技术分析指标缺乏坚实的数学基础（Aronsollow the winner algorithms赋予表现更好的专家或股票更大的权重（Li and Hoi（2016））。该算法后来由Cover和Ordentlich（1996）（见第2.2节）于2019年12月25日重新定义，NMTG˙Arxiv˙V3（2007），Lo等人（2000），Lo和Hasanhodzic（2009））。还有大量的学术文献，利用技术分析进行交易，一些研究试图开发指标，并以更为数学、统计和数字合理的方式对其进行测试（Aronson（2007）、Kestner（2003）、Park和Irwin（2004））。鉴于这种或那种特定的策略或方法极不可能不是某种反测试过度匹配的结果（Hou et al.（2017），Bailey et al.（2014，2016）），这项工作的大部分仍被怀疑。我们的工作并没有解决这个问题：“哪种技术分析方法（如果有的话）揭示了用于交易目的的有用信息？”；相反，我们的目标是收集技术专家，并允许他们使用在线学习算法以对抗的方式进行竞争。

这允许我们考虑最终的聚合策略是否可以：1。）通过合理的statisticalarbitrage测试，以及2。）相对较低的概率是回测过度拟合的结果。这种策略能被视为一种统计套利吗？它能在样本之外很好地推广吗？具体而言，我们关心的是理解技术专家的集体群体是否能够随着时间的推移产生可以合理地被视为非统计套利的动态（Jarrow et al.（2012）），然后以合理的低概率进行反向测试（Bailey et al.（2016））。我们能否利用技术战略的在线聚合，在成本之前和成本之后创造财富？那么，从积极的交易利益和减少的损失差异的角度来看，哪些广泛的策略组会成功？对于任何明显盈利的交易策略，错误地计算成本总是一个合理的解释（见Loonat和Gebbie（2018）），但即使在成本之后，仍然存在一些数据过度拟合的高可能性，因为我们只有历史上的单一价格路径，对已测量的特定路径的真实概率知之甚少或一无所知。而市场本身的适应性正在不断改变各种战略和方法的效果。与其考虑与市场效率的技术性相关的各种辩论，不如关注市场价格在任何时候迅速纳入新信息，以及信息明显是外生的；我们将自己限制在Fischer Black（Black（1986）、Bouchaud et al.（2017）、Aronson（2007））所使用的市场效率上。

这种情况下，一些短期信息实际上是噪音，而这种噪音是房地产市场的基本属性。虽然市场效率可能在长期内保持不变，但在短期内，可能会有一些小偏差，可以通过统计套利测试（Jarrow et al.（2012）），这些偏差会刺激交易，更重要的是，由于成本、市场结构和市场准入的各种不对称，这些偏差可能不容易从市场中交易出去。为了分析整体回测策略是否描述了候选统计套利，我们实施了一个由Hogan et al.（2004）提出并由Jarroweet al.（2012）进一步定义的测试。Hogan et al.（2004）根据交易利润中损失和方差的消失概率，对统计套利提供了一个合理的技术定义，然后使用Bonferroni检验对统计套利进行检验（Hogan et al.（2004））。Jarrow et al.（2012）对该方法进行了扩展和推广，通过包括半方差假设而非最初构建的方差假设（不以负增量偏差为条件），来解释可期望的正偏差（利润）和不希望的负偏差（损失）之间的不对称性。

计算所谓的Min-t统计量，并结合蒙特卡罗程序，对精心定义的“非统计套利”无效假设进行推断。这类似于从噪音效率市场假说（Black（1986））的意义上评估市场效率，如果不拒绝无统计套利无效假说，将得出结论，即市场事实上是有效的，并且长期内交易策略不会持续利用任何持续异常。交易者总是倾向于采用描述统计套利的策略，尤其是损失可能性迅速降至零的策略，因为此类交易者的资本通常有限，并且必须在2019年12月25日的短期内提供令人满意的回报（利润）（Jarrow et al.（2012））。我们在此明确表示，我们不会试图确定可支持的（技术）交易策略，也不会对技术分析的信息价值提出任何主张，但我们会根据各种技术交易规则以及这些规则的相关参数组合，生成大量策略或专家，试图了解一些关于专家群体动态的总体可行性。专家将生成交易信号，即根据基本参数和参数隐含的必要历史数据，对其投资组合中持有的每只股票进行买入、卖出或持有决策。

一旦给定的专家生成了当前时间段t的交易信号，就需要一种将信号转换为一组投资组合权重或控制的方法。我们引入了一种转换方法，计算出与生成非零交易信号的股票的相对波动率成比例的控制，然后对结果值进行标准化，以满足算法要求的自我融资和杠杆约束。然后利用结果控制来计算相应的专家财富。在一个交易期间积累最大财富的专家将在下一个交易期间获得更多财富，从而为最终财富做出更多贡献综合投资组合。这可以被认为是对交易策略基础集合的某种“基金中的基金”。这是一个集合了代表所有单个技术交易规则的专家的元专家。在线学习算法实现了元专家策略的整体性能。我们明确提供了个人专家投资组合的权益曲线，作为随时间推移的累计交易利润，以及整体战略财富和相关利润与损失的绩效曲线。我们在两个不同的时间段对两个不同的数据集执行了算法的回测：1。）一个是使用六年内的每日数据，另一个是。）另一种方法是在两个月内混合使用每日数据和每日数据。约翰内斯堡证券交易所（JSE）前40名股票中流动性最强的股票被用于两个单独的实施。将总体战略绩效与BCRP战略进行比较，形成一个基准比较，以评估我们战略的成功。