[论文解读] Dynamic Mode Decomposition for Financial Trading Strategies

Jordan Mann, J. Nathan Kutz|RePEc: Research Papers in Economics|Aug 18, 2015

Machine Fault Diagnosis Techniques被引用 11

一句话总结

本文提出了一种基于数据驱动的算法交易策略，利用动态模式分解（DMD）从金融时间序列中提取低秩、时间一致的市场结构。通过基于快照的回归近似科波曼算子，DMD 实现了短期市场预测与自适应交易决策，在多个行业板块中均表现出稳健性能，且采样窗口与预测窗口经过优化。

ABSTRACT

We demonstrate the application of an algorithmic trading strategy based upon the recently developed dynamic mode decomposition (DMD) on portfolios of financial data. The method is capable of characterizing complex dynamical systems, in this case financial market dynamics, in an equation-free manner by decomposing the state of the system into low-rank terms whose temporal coefficients in time are known. By extracting key temporal coherent structures (portfolios) in its sampling window, it provides a regression to a best fit linear dynamical system, allowing for a predictive assessment of the market dynamics and informing an investment strategy. The data-driven analytics capitalizes on stock market patterns, either real or perceived, to inform buy/sell/hold investment decisions. Critical to the method is an associated learning algorithm that optimizes the sampling and prediction windows of the algorithm by discovering trading hot-spots. The underlying mathematical structure of the algorithms is rooted in methods from nonlinear dynamical systems and shows that the decomposition is an effective mathematical tool for data-driven discovery of market patterns.

研究动机与目标

• 开发一种无需方程、基于数据的交易策略，能够在不假设预定义动力学模型的前提下识别瞬态市场模式。
• 利用动态模式分解（DMD）从投资组合数据中提取低秩时间一致结构，实现短期市场状态预测。
• 通过检测‘交易热点’的机器学习算法，动态优化采样与预测窗口长度，以提升策略性能。
• 在包括科技、生物技术、交通运输和银行在内的多个金融领域中，证明该方法的稳健性。
• 通过整合非线性动力系统与机器学习的概念，将 DMD 定位为现代、自适应的金融分析工具。

提出的方法

• 通过在指定时间窗口内对投资组合收益率构建快照矩阵，将 DMD 应用于金融时间序列数据。
• 对快照矩阵执行适当的正交分解（POD），以提取主导动态模态及其时间系数。
• 通过快照数据上的线性回归近似科波曼算子，得到表示时间尺度动态的特征值与特征向量。
• 利用 DMD 模态与特征值，通过分解的线性动力学向前推进系统演化，预测未来市场状态。
• 实施一种自适应学习算法，基于历史成功率迭代选择最优采样与预测窗口长度。
• 通过评估局部性能（例如 3×3 网格中平均成功率 >53%）检测‘交易热点’，仅在条件有利时触发交易。

实验结果

研究问题

• RQ1 DMD 是否能有效从非平稳、多尺度的金融时间序列中提取具有预测性的低秩动力结构？
• RQ2 DMD 基于的策略在不同市场板块中相对于买入持有策略及其他基准方法的表现如何？
• RQ3 在不断演变的市场制度下，如何配置采样与预测窗口以最大化交易表现？
• RQ4 该方法能否检测并利用传统 PCA 或 ARIMA 模型所忽略的瞬态、短暂信号？
• RQ5 DMD 框架在多大程度上可通过压缩感知、控制感知 DMD 或核方法进行扩展，以增强金融建模能力？

主要发现

• 该 DMD 基于策略通过基于性能热点的动态窗口选择，实现了 83% 的交易成功率。
• 该方法在包括科技、生物技术、交通运输和银行在内的多个不同行业板块中均表现出持续的超额收益，显示出广泛的稳健性。
• 最优采样与预测窗口分别在 9 天和 4 天时达到峰值，与经验性能模式一致。
• DMD 有效捕捉了传统 SVD 和 PCA 方法因静态性质而无法解析的瞬态非平稳市场动态。
• 通过引入窗口优化的学习算法，显著提升了策略表现，使其聚焦于高概率交易机会。
• 该方法基于科波曼算子，可在无需显式模型方程的前提下，对非线性市场动态实现线性近似。