[論文レビュー] Machine Learning Classification of Price Extrema Based on Market Microstructure Features: A Case Study of S&P500 E-mini Futures.

Artur Sokolovsky, Luca Arnaboldi|arXiv (Cornell University)|Sep 21, 2020

Stock Market Forecasting Methods参考文献 32被引用数 3

ひとこと要約

本論文は、価格極値をS&P500 E-mini先物で分類するための自動化された機械学習パイプラインを提案する。市場マイクロ構造特徴量を用い、注文データのシナリオを訓練に使用し、転換点を予測する。このアプローチは、注文実行キュー効果を無視しているものの、平均シャープ比6.32を達成し、高い収益性の可能性を示している。

ABSTRACT

The study introduces an automated trading system for S\&P500 E-mini futures (ES) based on state-of-the-art machine learning. Concretely: we extract a set of scenarios from the tick market data to train the model and further use the predictions to model trading. We define the scenarios from the local extrema of the price action. Price extrema is a commonly traded pattern, however, to the best of our knowledge, there is no study presenting a pipeline for automated classification and profitability evaluation. Our study is filling this gap by presenting a broad evaluation of the approach showing the resulting average Sharpe ratio of 6.32. However, we do not take into account order execution queues, which of course affect the result in the live-trading setting. The obtained performance results give us confidence that this approach is worthwhile.

研究の動機と目的

• 市場マイクロ構造データを用いた金融時系列における価格極値分類のための自動化パイプラインの開発。
• S&P500 E-mini先物における機械学習で得られた極値分類から導出される取引シグナルの収益性の評価。
• 機械学習を用いた極値ベース取引の体系的かつエンドツーエンドの評価を提供することで、既存の文献における空白を埋める。
• 現実の取引摩擦から独立してモデルのパフォーマンスを評価し、シグナル品質に焦点を当てる。

提案手法

• 価格極値は、注文データからの価格行動における局所的ピークとボトムとして特定される。
• 各特定された極値の周囲に、市場マイクロ構造に基づくシナリオのセットが抽出される。
• これらのシナリオを用いて教師あり機械学習モデルを訓練し、逆転が起こりやすいかを分類する。
• モデルの予測結果を用いて、ロングおよびショートポジションの取引シグナルが生成される。
• 性能は主にシャープ比を指標とし、検証データでの予測結果に基づいて計算される。
• 研究は意図的に注文明細と実行キュー効果を除外しており、モデルパフォーマンスの隔離を図っている。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて市場マイクロ構造特徴量を活用することで、S&P500 E-mini先物における価格極値を効果的に分類できるか？
• RQ2 機械学習で予測された極値に基づく取引戦略の収益性はいかほどか？
• RQ3 現実の取引コストを無視した場合、モデルのパフォーマンスはどのように変化するか？
• RQ4 異なる市場環境下でも分類パイプラインの堅牢性は保たれるか？

主な発見

• 機械学習パイプラインは、検証データ上で平均シャープ比6.32を達成し、強力なリスク調整リターンを示している。
• 市場マイクロ構造特徴量に基づく価格極値分類は、実行可能で収益性の高い取引シグナルを生み出している。
• 高いシャープ比は、モデルがデータ内に有意義な価格逆転パターンを捉えていることを示唆している。
• 注文実行キューのモデリングが欠落しているため、実戦ではパフォーマンスが低下する可能性があることが示唆されている。