[论文解读] 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 1

一句话总结

本文提出了一种基于对抗性专家的在线学习算法，用于优化约翰内斯堡证券交易所数据中零成本投资组合的技术交易策略参数。研究发现，经过交易成本调整后，日内策略在统计套利检验中仍能存活，而日频策略则不能，凸显了高频数据在策略稳健性方面的优势。

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.

研究动机与目标

• 通过数据驱动的分析，理解技术交易策略之间的相互作用。
• 识别在零成本投资组合框架下能最大化财富的最优策略参数。
• 评估在考虑交易成本后，聚合的交易策略是否构成统计套利。
• 与离线基准投资组合算法进行性能对比。
• 研究策略在日频与日内时间尺度上的生存与动态演化。

提出的方法

• 采用基于对抗性专家的在线学习算法，动态调整策略参数，以在零成本投资组合中最大化财富。
• 将技术策略的人口动态建模为来自学习算法的策略权重时间序列。
• 应用无监督学习技术以降低维度并可视化策略的人口动态。
• 应用 Jarrow 等人提出的新颖假设检验方法，检验日频与日内采样策略中的统计套利。
• 明确估算并纳入交易成本与滑价，以评估绩效。
• 使用离线基准投资组合算法进行对比性能评估。

实验结果

研究问题

• RQ1 通过在线学习优化后，哪些技术交易策略在历史回测中仍能存活？
• RQ2 在日频与日内数据上，技术策略的人口动态如何随时间演变？
• RQ3 在考虑交易成本与滑价后，所生成的聚合交易策略是否构成统计套利？
• RQ4 在成本调整后的盈利能力方面，日内采样策略与日频采样策略的相对表现如何？
• RQ5 估算的成本与滑价如何影响策略的统计显著性？

主要发现

• 在考虑交易成本与滑价后，日内采样策略未被证伪为统计套利。
• 在纳入交易成本后，日频采样策略在统计套利检验中失败。
• 在线学习算法成功识别出能最大化零成本投资组合财富的最优参数。
• 策略的人口动态在日频与日内时间尺度上表现出明显不同的模式，其中日内策略显示出更高的稳健性。
• 估算的交易成本与滑价显著影响策略的统计显著性，尤其对低频数据影响更大。
• 离线基准投资组合算法提供了有用的性能参考，但所学习的策略在日内数据上的成本调整后收益表现更优。