[논문 리뷰] Learning the population dynamics of technical trading strategies

Nicholas Murphy, Tim Gebbie|arXiv (Cornell University)|2019. 03. 01.

Stock Market Forecasting Methods인용 수 1

한 줄 요약

이 논문은 요하네스버그 증권거래소 데이터를 대상으로, 제로비용 포트폴리오를 위한 기술적 트레이딩 전략 파라미터를 최적화하기 위해 악성 전문가 기반 온라인 학습 알고리즘을 제안한다. 결과적으로, 거래비용을 고려한 후에도 일중 전략은 통계적 아웃리어 테스트를 통과하지 못하는 반면, 일중 전략은 통과함을 확인하였으며, 이는 고주기 데이터가 전략의 강건성에 유리함을 시사한다.

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.

연구 동기 및 목표

• 데이터 기반 분석을 통해 기술적 트레이딩 전략 간의 상호작용을 이해하기 위해.
• 제로비용 포트폴리오 프레임워크에서 자산을 최대화하는 데 최적의 전략 파라미터를 식별하기 위해.
• 거래비용을 고려한 후 집계된 트레이딩 전략이 통계적 아웃리어를 구성하는지 평가하기 위해.
• 오프라인 벤치마크 포트폴리오 알고리즘과의 성능 비교를 위해.
• 일일 및 일중 시간 척도에서 전략의 생존 및 동역학을 조사하기 위해.

제안 방법

• 제로비용 포트폴리오에서 자산을 최대화하기 위해 전략 파라미터를 동적으로 조정하기 위해 악성 전문가 기반 온라인 학습 알고리즘을 사용한다.
• 기술적 전략의 인구역학적 동역학은 학습 알고리즘에서 유도된 전략 가중치의 시계열로 모델링된다.
• 차원 축소 및 전략 인구역학의 시각화를 위해 비지도 학습 기법이 적용된다.
• Jarrow 등이 제안한 새로운 가설 검정 기법이 일일 및 일중 샘플링 전략에서 통계적 아웃리어를 검증하는 데 적용된다.
• 거래비용과 슬리피지가 성능 평가에 명시적으로 추정되고 통합된다.
• 비교적 성능 평가를 위해 오프라인 벤치마크 포트폴리오 알고리즘이 사용된다.

실험 결과

연구 질문

• RQ1 온라인 학습을 통해 최적화된 전략에서 역사적 백테스트를 통과하는 기술적 트레이딩 전략는 무엇인가?
• RQ2 일일 및 일중 데이터에서 전략의 인구역학적 동역학은 시간이 지남에 따라 어떻게 변화하는가?
• RQ3 거래비용과 슬리피지 고려 후 집계된 트레이딩 전략가 통계적 아웃리어를 구성하는가?
• RQ4 비용 조정 기반 수익성 측면에서 일중 전략과 일일 전략의 상대적 성능은 어떠한가?
• RQ5 추정된 비용과 슬리피지가 전략의 통계적 유의성에 어떤 영향을 미치는가?

주요 결과

• 거래비용과 슬리피지 고려 후 일중 샘플링 전략은 통계적 아웃리어로 거짓됨을 입증하지 못함.
• 거래비용을 포함한 후 일일 샘플링 전략은 통계적 아웃리어 테스트에 실패함.
• 온라인 학습 알고리즘이 제로비용 포트폴리오에서 자산을 최대화하는 데 최적의 파라미터를 성공적으로 식별함.
• 일일 및 일중 시간 척도에서 전략의 인구역학적 동역학은 뚜렷한 패턴을 보이며, 일중 전략이 더 강건함을 확인함.
• 거래 비용과 슬리피지 추정치는 특히 저주기 데이터의 경우 전략의 통계적 유의성에 상당한 영향을 미침.
• 오프라인 벤치마크 포트폴리오 알고리즘이 유용한 성능 기준을 제공하지만, 학습된 전략은 일중 데이터에서 비용 조정 수익성 측면에서 이를 능가함.