[论文解读] Decision Trees Unearth Return Sign Correlation in the S&P 500

Lucas Fiévet, Didier Sornette|arXiv (Cornell University)|Oct 12, 2016

Complex Systems and Time Series Analysis参考文献 7被引用 2

一句话总结

本文提出使用固定决策树模型来检测标普500指数中非线性收益方向相关性，克服了自回归模型的局限性。研究显示，固定决策树在20年期间实现了统计上显著的异常表现（p < 0.01），在21个基点的交易成本下优于买入并持有策略，尤其在市场危机期间表现更优，表明收益方向可预测性中存在与行为偏差相关的系统性无效性。

ABSTRACT

Technical trading rules and linear regressive models are often used by practitioners to find trends in financial data. However, these models are unsuited to find non-linearly separable patterns. We propose a decision tree forecasting model that has the flexibility to capture arbitrary patterns. To illustrate, we construct a binary Markov process with a deterministic component that cannot be predicted with an autoregressive process. A simulation study confirms the robustness of the trees and limitation of the autoregressive model. Finally, adjusting for multiple testing, we show that some tree based strategies achieve trading performance significant at the 99% confidence level on the S&P 500 over the past 20 years. The best strategy breaks even with the buy-and-hold strategy at 21 bps in transaction costs per round trip. A four-factor regression analysis shows significant intercept and correlation with the market. The return anomalies are strongest during the bursts of the dotcom bubble, financial crisis, and European debt crisis. The correlation of the return signs during these periods confirms the theoretical model.

研究动机与目标

• 为解决自回归过程等线性模型在捕捉非线性可分收益模式（如异或型依赖）方面的局限性。
• 检验基于决策树的策略是否能检测到真实金融数据中（尤其是市场异常期间）的可预测收益方向相关性。
• 通过多重检验校正和HAC-稳健绩效指标，严格评估市场有效性，超越传统技术交易规则。
• 探究行为启发式（如依赖过去收益方向）是否驱动了股票收益中的可预测模式。

提出的方法

• 提出固定决策树（FCT）作为线性模型在捕捉收益方向可预测性中任意非线性模式的灵活替代方案。
• 推导出固定决策树与高阶二元马尔可夫链之间的理论联系，从而实现对复杂自相关结构的建模。
• 通过模拟研究比较自回归模型、固定树和动态优化树在自回归过程与马尔可夫过程上的预测表现。
• 应用Romano和Wolf（2005）的多重检验校正方法以及Ledoit-Wolf（2008）的HAC-稳健夏普比率，评估标普500指数日收益上策略的统计显著性。
• 采用四因子回归模型，检验表现最佳策略的异常阿尔法和风险调整后绩效。
• 通过1,000种策略在滞后1–3期及校准窗口300–460天范围内的验证，结合交易成本敏感性分析，对结果进行稳健性检验。

实验结果

研究问题

• RQ1 固定决策树能否检测出自回归模型无法捕捉的非线性收益方向相关性？
• RQ2 在经过多重检验校正和异方差性校正后，决策树的预测能力是否具有统计显著性？
• RQ3 金融危机期间是否系统性地出现收益方向相关性？这些相关性是否可用行为启发式解释？
• RQ4 简单的搜索技术（如最优夏普比率）是否能事前选出获胜策略，从而体现其实际可行性？
• RQ5 标普500指数是否表现出违反有效市场假说的可预测收益方向模式？

主要发现

• 最佳固定决策树策略在经过多重检验校正后，于99%置信水平下具有统计显著性，拒绝了市场有效性的原假设。
• 最优策略在每轮交易21个基点的交易成本下与买入并持有策略持平，表明其对市场摩擦具有鲁棒性。
• 在无交易成本条件下，最佳固定树策略使累计收益和夏普比率均超过买入并持有基准的两倍以上。
• 四因子回归中策略表现出显著的正截距，证实其存在异常风险调整后绩效。
• 收益方向相关性在互联网泡沫期（2000–2003）、金融危机期（2008–2009）和欧洲债务危机期（2012）最强，表明收益方向预测中存在行为偏差。
• 固定决策树在马尔可夫过程中优于自回归模型，在自回归过程中表现几乎相当，证实其对模型误设的鲁棒性。