[论文解读] 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 3

一句话总结

本文提出了一种自动化机器学习流程，利用市场微观结构特征对S&P500 E-迷你期货的价格极值进行分类，通过在逐笔数据场景下进行训练以预测转折点。该方法实现了6.32的高平均夏普比率，尽管未考虑订单执行队列效应，但仍展现出强劲的盈利能力潜力。

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.

研究动机与目标

• 开发一种基于市场微观结构数据的自动化流程，用于对金融时间序列中的价格极值进行分类。
• 评估由机器学习分类极值所生成的交易信号在S&P500 E-迷你期货中的盈利能力。
• 通过提供对基于极值的交易进行系统性、端到端评估，填补现有文献中的空白。
• 在隔离现实执行摩擦的情况下评估模型性能，重点关注信号质量。

提出的方法

• 价格极值通过逐笔数据中的价格行为识别为局部高点和低点。
• 在每个识别出的极值周围提取一组基于市场微观结构的场景。
• 使用这些场景对监督式机器学习模型进行训练，以分类反转是否可能发生。
• 利用模型的预测结果生成多头和空头头寸的交易信号。
• 使用夏普比率作为主要指标，基于样本外预测结果评估性能。
• 本研究有意排除订单簿动态和执行队列效应，以隔离模型性能。

实验结果

研究问题

• RQ1 机器学习能否有效利用微观结构特征对S&P500 E-迷你期货的价格极值进行分类？
• RQ2 由机器学习预测的极值所衍生的交易策略具有多高的盈利能力？
• RQ3 在排除现实世界执行成本的情况下，模型性能如何？
• RQ4 该分类流程在不同市场状态下的鲁棒性如何？

主要发现

• 该机器学习流程在样本外数据上实现了6.32的平均夏普比率，表明具有强劲的风险调整后收益。
• 基于微观结构特征对价格极值的分类可产生可操作且盈利的交易信号。
• 高夏普比率表明模型捕捉到了数据中具有意义的价格反转模式。
• 未建模订单执行队列表明性能结果较为乐观，实际交易中可能有所下降。