技术交易策略动态的在线学习

我们使用基于对抗专家的在线学习算法来学习最大化零成本投资组合策略财富所需的优化参数。该学习算法用于确定在历史上回测中能够存活的技术交易策略的相对种群动态，并从在约翰内斯堡证券交易所的日度和盘内数据上实现的底层交易策略集合中形成一个整体的聚合投资组合交易策略。所得到的种群时间序列使用无监督学习进行降维和可视化研究。一个关键贡献是，使用Jarrow等人（2012）提出的新型假设检验，在日度采样和盘内时间尺度上对整体聚合交易策略进行统计套利检验。在扣除成本后，（低频）日度采样策略未能通过套利检验，而（高频）盘内采样策略在扣除成本后未被证伪为统计套利。考虑了交易策略成功率的估计、交易成本与滑点，以及用于性能比较的在线基准投资组合算法。此外，通过使用Bailey等人（2016）引入的非参数过程恢复回测过拟合概率估计，分析了算法的泛化误差。该工作旨在从数据驱动的视角探索并更好地理解不同技术交易策略之间的相互作用。