学习技术交易策略的动态

此外，图7（b）提供了拒绝无统计套利无效假设的重要证据，这与做出第一个交易决策的交易期相对应。2019年12月25日NMTG˙Arxiv˙V3（a）无交易成本的日间数据的总累积投资组合财富。插图说明了相关的损益。（b） CM模型产生的5000个模拟Min-t统计数据的柱状图，以及方程式（17）中给出的前400个交易周期的日内收益和损失的增量过程，不考虑交易成本以及总体策略的Min-t统计数据（绿色）和5%显著水平的临界值（红色）。插图显示了整体交易策略在n个周期后产生损失的概率，每个n=5，从活跃交易开始第二天的第5个时间段中提取的每日盈亏过程（PL）的25。图6：。算法的性能（图6（a））和统计套利测试的结果（图6（b））在不考虑交易成本的情况下对日内数据进行计算。返回与无交易成本情况下几乎相同的Min-t统计（交易成本情况下为4.32，而无交易成本情况下为3.87）（图6（b））。

更令人欣慰的是，即使考虑到交易成本，每个交易期的损失概率也趋于零，尽管比没有交易成本的情况（如图6（b）所示，大约1小时或13个交易期）稍慢（大约2小时或31个交易期）。上述日内每日交易的结果与交易成本每日交易的结果完全相反，无统计套利无效不能被拒绝，损失概率没有收敛到零并保持不变，交易利润在交易期内稳步下降。这表明所提出的算法可能更适合在更高频率下进行交易。这并不奇怪，与Schulmeister（2009）的观点完全一致，Schulmeister认为技术交易策略的可行性自1960年以来有所下降，在从20世纪90年代变得不可预测之前，大量的技术交易策略都是在30分钟的数据上实施的，有证据表明，1983年至2007年间，这些策略的回报率达到了相当高的水平，但与20世纪80年代和90年代相比，2000年至2007年间，回报率略有下降。这表明市场可能已经变得更加高效和成熟股票价格和成交量趋势的变化频率甚至超过30分钟的可能性（Schulmeister（2009））。这支持了在至少5分钟OHLCV数据上交易本文提出的算法的选择，并加强了我们的结论，即最终，该算法最理想的实现将是在交易量时间内，这最适合高频交易。2019年12月25日NMTG˙Arxiv˙V3（a）包含交易成本的日间数据的总累积投资组合财富。

插图显示了相关的利润和损失。（b） CM模型产生的5000个模拟Min-t统计数据的柱状图，以及前400个交易期内每日利润和损失减去交易成本的增量过程，以及总体策略的Min-t统计数据（绿色）和5%显著水平的临界值（红色）。图7：。该算法的性能（图7（a））和统计套利测试的结果（图7（b））在包含交易成本的日内数据上。6、结论我们开发了一种基于技术交易策略的学习算法，用于在JSE上进行股票交易，该算法能够在忽略交易成本的情况下，在每日和日内交易条件下提供有利的回报。当在每日设置中考虑交易成本时，回报会降低，但有充分的证据表明，所提出的算法非常适合日内交易。事实证明，即使对日内交易成本持合理的渐进观点，也存在有意义的证据，可以拒绝总体交易策略中无统计套利的精心定义的无效假设。我们还能够证明，在日常和日内的日常数据实现中，损失概率相对快速地下降到5%以下，这强烈表明该算法非常适合偏好或要求在短期内获得足够回报的交易员。很有可能，我们在当天确定的统计数据是来自“价格扭曲者”（Mo fft（2017））的人工制品，而不是相对于交易少数群体的多数观点意义上的合法错误定价，Hencec无法轻易从利润中交易出去。

这表明，重要的是尝试解开与统计套利相关的结构性错误定价之间的差异，这超出了当前工作的范围，并且无法使用本工作中实施的测试来确定。日内交易算法的优越性能与Schulmeister（2009）的结论一致，Schulmeister认为，虽然一大套技术交易策略的日收益率自1960年以来稳步下降，自20世纪90年代初以来一直无法实现，1983年至2007年间，在30分钟（盘中）数据上交易相同的策略产生了可观的平均总回报。然而，自2000年初以来，此类回报率已缓慢下降。总之，所提出的算法更适合在更高的频率进行交易；但我们也意识到，随着时间的推移，本质上非结构性的交易策略会通过过度拥挤慢慢套利。2019年12月25日NMTG˙Arxiv˙V3我们还认识到，日内交易将需要累积交易利润的很大一部分来为摩擦融资，具体来说是为直接、间接和商业模式成本融资（Loonat和Gebbie（2018））。因此，当在实时交易环境中使用真实货币进行交易时，我们谨慎地对这类算法的长期性能持怀疑态度。目前的算法设计尚未准备好在实时市场数据上进行交易，然而，考虑到算法的顺序性及其接收和适应新传入数据的固有能力，同时根据新数据做出适当的交易决策，通过一些功能，它很容易转移到此类用例中。

具体来说，该算法应该部署在批量时间交易的上下文中，而不是本文考虑的日历时间上下文中。未来可能的工作包括在体积时间内实现该算法，鉴于顺序流的间歇性，该算法最适合处理拟议算法的高频实现。我们还建议将学习算法替换为在线（自适应）神经网络，该网络能够预测股票的最佳持有时间。考虑的另一项有趣的工作是对在捕食-被捕食环境中竞争的贸易专家群体进行建模（Farmer（2000），Johnson等人（2013））。这是该研究项目的一个初始关键动机，旨在发现哪些技术交易策略集合可以集体分组，以及它们如何相互作用。这可以包括根据他们的相似性和差异，对小组或单独的交易专家进行聚类分析，从而对他们在集体和紧急动态层面的互动和行为作出适当的推断。这反过来可以用于基于集群的投资组合控制方法。致谢NM和TG感谢统计科学部的统计金融研究小组就这项工作进行了各种有益的讨论。特别是，我们要感谢Etienne Pienaar、Lionel Yelibi和Duncan Sa ffy。我们感谢Michael Gant帮助我们制定了一些策略，并就统计套利测试进行了大量有价值的讨论。FundingTG感谢UCT FRC的资助（UCT基金459282）。补充材料请访问Murphy（2019）的补充材料。参考Algoet，P.H。

Cover，T.M.，logoptimuminvestment的渐近最优性和渐近均分性。《概率年鉴》，1988年，16876-898年。Aronson，D.R.，《基于证据的技术分析：将科学方法和统计推断应用于交易信号》，2007年（John Wiley&Sons Inc：新泽西州霍博肯）。Akcoglu，K.，Drineas，P.和Kao，M-Y.，投资策略的快速普及。暹罗计算机杂志，34，1-22。Andersen，T.、Bollerslev，T.、Diebold，F.X.和Labys，P.，《已实现汇率波动的分布》。《美国统计协会杂志》，96，42-55。Bailey，D.H.、Borwein，J.M.、de Prado，M.L.和Zhu，Q.J.，《伪数学与金融查理德》，2019年12月25日，NMTG˙Arxiv˙V3tanism：后验过度拟合对样本外绩效的影响。AMS公告，2014,61，458-471。Bailey，D.H.、Borwein，J.M.、de Prado，M.L.和Zhu，Q.J.，《回测过度拟合的概率》。《计算金融杂志》，2016年，第20期，第39-69页。Bailey，D.H.和L’opez de Prado，M.M.，《消除的夏普比率：纠正选择偏差、后验过度拟合和非正态性》。《投资组合管理杂志》，2014，40，94-107。黑色，F.，噪音。《金融杂志》，1986年，第41期，第529-543页。Bouchaud，J-P，Ciliberti，S.，Lemperiere，Y，Majewski，A.，Seager，P.，Ronia，K.S.，Black是对的：2017年价格在价值系数2以内。SSRN提供：https://ssrn.com/abstract=3070850.Bouchaud，J-P，Gefen，Y.、Potters，M.和Wyart，M.，《金融市场的波动和反应：“随机”价格变化的本质》，2004年。SSRN提供：https://ssrn.com/abstract=507322.Borodin我们能学会击败最好的股票吗。《艺术情报研究杂志》，2004年，21579-594。坎贝尔，S.D.，回溯测试和回溯测试程序审查。

《金融和经济讨论系列》，美联储理事会，2005年，第2005-21号。封面，T.M.，环球投资组合。数学《金融》，1991年，第1期，第1-29页。Cover，T.M.，和Ordentlich，E.，带有辅助信息的通用投资组合。IEEE信息论学报，1996，42348-363。Clayburg，J.F.，交易成功的四个步骤：使用日常指标实现非凡收益，2002年（John Wiley&Sons：加拿大）。Chan，E.，《定量交易：如何建立自己的算法交易业务》，2009年（Wiley:Hoboken，新泽西州）。Chande，T.S.和Kroll，S.，《新技术交易员：通过插入最新指标来提高你的利润》，1994年（Wiley：纽约）。Creamer，G.和Freund，Y.通过boosting和专家加权实现自动交易。量化金融，2010，10，401-420。De Wit，J-J.D.，南非统计套利。2013年开普敦大学数学金融硕士学位部分要求提交给商学院的次要论文。Dochow，R.，投资组合选择问题的在线算法，2016年（斯普林格：威斯巴登）。etfSA，与STeFI挂钩的货币市场存款，Nedbank Beta Solutions，2011年。可在线访问：https://www.fundsdata.co.za/etf新闻/11 04 04 etfsa解释文件。pdf（2019年3月15日查阅）。Fama，E.F.和Blume，M.E.，过滤规则和股票市场交易。《商业杂志》，1996年，39226-241。Fama，E.F.，有效资本市场：理论和实证工作回顾。《金融杂志》，1970年，25383-417。Farmer，J.D.，金融市场非平衡动态和演化的简单模型。《国际理论与应用金融杂志》，2000年，3425-441。Fayek，M.B.、El Boghdadi，H.M.和Omran，S.M.，《使用天然气的技术股票市场指示器的多目标优化》。

《国际计算机应用杂志》，2013年，68，41-48。Gy–or fi，L.、Ottucs\'ak，G.和Walk，H.，《金融工程机器学习》，2012年（帝国理工学院出版社：伦敦）。Gy–or fi，L.、Udina，F.和Walk，H.，基于非参数最近邻的经验投资组合选择策略。《统计与决策》，2008年26，145-157。Gatheral，J.，无动态套利和市场影响。量化金融，2010，10749-759。Gebbie，T.，MATLAB技术分析工具箱（“技术”），2010年，https://github.com/timgebbie/MATLAB-quant-财务/技术、，http://dx.doi.org/10.25375/uct.11302403Hogan，S.、Jarrow，R.、Teo，M.和Warachka，M.，使用统计套利测试市场效率，并将其应用于动量和价值策略。《金融经济学杂志》，2004年，73525-565。Harvey，M.、Hendricks，D.、Gebbie，T.和Wilcox，D.，费用重组下小交易量预期价格影响的偏差。Physica A：统计力学及其应用，2017，471416-426。Hou，K.、Xue，C.和Zhang，L.，复制异常。NBER工作文件系列，2017年，第23394号。Huberman，G.和Stanzl，W.，最优流动性交易。斯普林格：《金融评论》，2005年，9165-200。Ichimoku 101，IchimokuTrade。com，n.d。。https://www.ichimokutrade.com/articles/Ichimoku电子书。pdf（2018年7月28日查阅）。Jarrow，R.，Teob，M.，Tse，Y-K和Warachka，M.，统计套利的改进测试。《2019年12月25日日刊》NMTG˙Arxiv˙V3金融市场，2012年，15，47-80。Johnson，N.，Zhao，G.，Hunsader，E.，Qi，H.，Meng，J.，和Tivnan，B.，新机器生态的突然崛起超过了人类的反应时间。科学报告，2013年，3。Karatzas，I.和Shreve，S.E.，《布朗运动和随机微积分》，1991年（斯普林格出版社：纽约）。Kelly，J.L.，信息率的新解释。钟系统。

《技术》，1956年，35917-926年。Kestner，L.N.，《定量交易策略：利用定量技术的力量创建一个成功的交易计划》，2003年，（McGraw-Hill：纽约）。Lee，W.，《战术资产配置的理论和方法》，2000年（Wiley&Sons：新泽西州）。Li，B.和Hoi，S.C.，在线投资组合选择：原则和算法，2016年（CRC出版社：佛罗里达州博卡拉顿）。林顿，D.，《云图：与一梦库技术的交易成功》，2010年（未知出版商）。Lo，A.、Mamaysky，V.和Wang，J.，《技术分析的基础：计算算法、统计推断和经验实现》。《金融杂志》，2000年，第55期，1705-1765年。Lo，A.W.和Hasanhodzic，J.，《金融异端：与领先技术分析从业者的对话》，2009年（彭博社出版社：纽约）。Lo，A.，Sharpe Ratio的统计数据。《金融分析师杂志》，2002年，第58期，第36-52页。Loonat，F.和Gebbie，T.，学习模式匹配的零成本投资组合选择。PLoS ONE，2018,13:e0202788。Loonat，F.和Gebbie，T.，MATLAB模式匹配与学习课程（“模式”），2016年。可在线访问：https://github.com/FayyaazL/Pattern.Moffitt，S.，为什么市场是无效的：从业者和理论家的金融市场赌博理论，2017年2月22日。Murphy，N.，学习技术交易，2019年。可在线访问：https://github.com/NJMurphy/Learning-Technical-Trading.git.Murphy，N.，Gebbie，T.，JSE股票市场交易数据：TRTH和BLP每日和日内数据，2019年，Mendeley数据，v4http://dx.doi.org/10.17632/v5466fbpf9.4Park，C-H.和Irwin，S.，《技术分析的可行性：综述》。AgMAS项目研究报告，2004年，第04期。Poon，S-H.，波动率估计，2008年。

可在线访问：https://www.cmegroup.com/trading/fx/文件/卷。pdf（2017年9月10日查阅）。Rechenthin，M.D.，分析和预测高频股票方向的机器学习分类技术。爱荷华大学博士论文，2014年。Y-L.K.的Samo和D.的Hendricks，《什么使资产有用？》？，2018年。可在线访问：https://arxiv.org/abs/1806.08444（2019年1月1日访问）。Schulmeister，S.，技术性股票交易的可操作性：它是否从每日数据转移到了日内数据？。《金融经济学评论》，2009年，第18190-201页。交易的隐性成本，n.d。。可在线访问：http://pages.stern.nyu.edu/~adamodar/新主页/invemgmt/交易。htm（2018年3月20日访问）。对北达科他州Ichimoku Kinko Hyo的定义。。可在线访问：http://www.kumotrader.com/ichimokuwiki/索引。php？标题=主页（2018年10月10日访问）。Wilder，J.W.，技术交易系统的新概念，1978年（趋势研究）。附录A：技术指标和交易规则我们遵循Creamer和Freund（2010）、Kestner（2003）介绍和描述了一些更受欢迎的技术分析指标以及其他一些广泛可用的指标。我们还提供了一些使用技术指标生成买入、卖出和持有信号的交易规则。表A1。表A2所述交易规则使用的一组交易指标及其说明和计算细节。指标说明计算2019年12月25日NMTG˙Arxiv˙V3SMAct（n）简单移动平均值（SMA）是过去n个交易日收盘价的平均值。n值越小，移动平均值将越接近价格数据。SMAt（Pc，n）=nn-1Xi=0%-i（A1）EMAct（n）指数移动平均值（EMA）使用今天的收盘价、昨天的移动平均值和平滑因子（α）。