隐马尔可夫模型在带侧信息的日内动量交易中的应用

本文提出一种用于日内动量交易的隐马尔可夫模型，该模型指定了一个潜在的动量状态，负责生成所观测证券的含噪收益。现有的动量交易模型受数字滤波器延迟频率响应引起的时滞影响。当时场改变趋势方向时，时滞会导致符号错误的动量信号。该状态空间公式的一个关键特征是不会出现此类时滞，从而能在市场拐点处准确切换信号符号。模型中潜在状态的数量使用三种技术估计：交叉验证、惩罚似然准则以及基于边际似然的模拟模型选择。三种技术均表明存在 2 或 3 个隐藏状态。随后在假设发射矩阵为单一（离散化）单变量高斯分布的前提下，使用 Baum-Welch 与马尔可夫链蒙特卡洛（Markov Chain Monte Carlo）求解模型参数。动量交易者通常希望根据其交易信号对附加信息进行条件化。为此，学习过程也在侧信息存在的情况下进行。考虑了两组侧信息，即已实现波动率之比与日内季节性。研究表明，样条可用于从中捕捉统计显著的关系，从而预测收益。采用输入输出隐马尔可夫模型将这些单变量预测信号纳入转移矩阵，为处理信号组合问题提供了一种可能的解决方案。随后进行贝叶斯推断，利用前向算法预测证券的 $t+1$ 期收益。对当前框架的简单修改可实现具有异步预测能力的完全非参数模型。