基于改进方向性变化与状态变换检测的智能交易策略

以往的研究主要根据时间间隔来刻画价格运动，导致时间上的不连续性并忽略了金融市场中的关键活动。方向性变化（Directional Change, DC）是一种替代性的价格数据采样方法，它突出显著点而模糊价格运动中的噪声细节。然而，传统 DC 将具有不同内在模式的上行和下行趋势阈值等同对待并预设为固定值，这依赖于交易者的主观判断。为提升该方法的泛化性能，我们通过引入一种改进的阈值选择技术来改进 DC。具体而言，我们通过引入衰减系数来分别处理上行和下行趋势。进一步地，我们使用贝叶斯优化算法（Bayesian Optimization Algorithm, BOA）同时优化阈值和衰减系数。此外，我们基于隐马尔可夫模型的状态变换检测（RCD-HMM）来识别异常市场状态以降低风险。我们的智能交易算法（Intelligent Trading Algorithm, ITA）基于上述方法构建，并在外汇市场中多种货币对的 tick 数据上进行了实验。实验结果表明，基于 DC 的交易策略在利润上显著提升且风险降低，证明了我们所提方法的有效性。