[論文レビュー] Learning the population dynamics of technical trading strategies

Nicholas Murphy, Tim Gebbie|arXiv (Cornell University)|Mar 1, 2019

Stock Market Forecasting Methods被引用数 1

ひとこと要約

本稿では、ヨハネスブルグ証券取引所のデータを用いて、ゼロコスト・ポートフォリオにおけるテクニカル・トレーディング戦略のパラメータを最適化するための敵対的エキスパートベースのオンライン学習アルゴリズムを提案する。その結果、取引コストを考慮した後も、時間内戦略は統計的アービタージュのテストに耐えられることを示し、一方で日次戦略は耐えられないことが判明した。これは、戦略のロバスト性において高頻度データの利点を示している。

ABSTRACT

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. 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 offline benchmark portfolio algorithm for performance comparison. The work aims to explore and better understand the interplay between different technical trading strategies from a data-informed perspective.

研究の動機と目的

• データに裏付けられた分析を通じて、テクニカル・トレーディング戦略の相互作用を理解すること。
• ゼロコスト・ポートフォリオ枠組み内で資産を最大化する最適な戦略パラメータを特定すること。
• 取引コストを考慮した後、集約された取引戦略が統計的アービタージュを形成するかどうかを評価すること。
• オフラインのベンチマーク・ポートフォリオ・アルゴリズムと比較して、パフォーマンスを評価すること。
• 日次および時間内スケールの両方における戦略の生存とダイナミクスを調査すること。

提案手法

• 敵対的エキスパートベースのオンライン学習アルゴリズムを用いて、ゼロコスト・ポートフォリオにおける資産最大化を目的に、戦略パラメータを動的に調整する。
• テクニカル戦略の人口動態を、学習アルゴリズムから導出された戦略ウェイトの時系列としてモデル化する。
• 次元削減と戦略の人口動態の可視化のため、非教師あり学習技術を適用する。
• Jarrowらが提唱した新しい仮説検定を用いて、日次および時間内サンプリング戦略の両方における統計的アービタージュの有無を検証する。
• 取引コストとスリッページを明示的に推定し、パフォーマンス評価に組み込む。
• 比較的パフォーマンス評価のため、オフラインのベンチマーク・ポートフォリオ・アルゴリズムを用いる。

実験結果

リサーチクエスチョン

• RQ1 オンライン学習によって最適化された場合、どのテクニカル・トレーディング戦略が歴史的バックテストに耐えられるか？
• RQ2 日次および時間内データにおける戦略の人口動態は、時間経過とともにどのように変化するか？
• RQ3 取引コストおよびスリッページを考慮した後、得られた集約された取引戦略が統計的アービタージュを形成するか？
• RQ4 コスト調整後の収益性という観点から、時間内サンプリング戦略と日次サンプリング戦略の相対的パフォーマンスはいかがなっているか？
• RQ5 推定されたコストおよびスリッページは、戦略の統計的有意性にどのように影響するか？

主な発見

• 取引コストおよびスリッページを考慮した後も、時間内サンプリング戦略は統計的アービタージュとして否定されない。
• 取引コストを含めた後、日次サンプリング戦略は統計的アービタージュのテストに失敗する。
• オンライン学習アルゴリズムは、ゼロコスト・ポートフォリオにおける資産最大化を実現する最適パラメータを効果的に同定した。
• 戦略の人口動態は、日次および時間内スケールで明確なパターンを示し、特に時間内戦略がよりロバストであることが判明した。
• 取引コストおよびスリッページの推定値は、特に低頻度データにおいて、戦略の統計的有意性に顕著な影響を与える。
• オフラインのベンチマーク・ポートフォリオ・アルゴリズムは有用なパフォーマンスの基準を提供するが、時間内データにおいては学習された戦略がコスト調整後のリターンでそれを上回った。