Авторы Сергей Белов (1), Эрнест Чан (1), Нахид Джета (2) и Акшай Наутиал (1)

1 Predictnow.ai Inc. www.predictnow.ai
2 QTS Capital Management, LLC. www.qtscm.com

АБСТРАКТНЫЙ

Мы применили Корректирующий ИИ (Chan, 2022) к торговой модели, которая использует преимущества внутридневной сезонности валютных доходов. Бридон и Ранальдо (2012) заметили, что иностранные валюты обесцениваются по отношению к доллару США в рабочее время и укрепляются в рабочее время доллара США. Сначала мы протестировали результаты Бридона и Ранальдо на последних данных EURUSD с сентября 2021 года по январь 2023 года, а затем применили корректирующий ИИ к этой торговой стратегии, чтобы добиться значительного повышения производительности.

Бридон и Ранальдо (2012) описали торговую стратегию, которая заключалась в продаже пары EURUSD в рабочее время в Европе (с 3:00 до 9:00 по восточному времени, где ET обозначает местное время в Нью-Йорке с учетом летнего времени) и покупке EURUSD в рабочее время в США (11:00 по восточному времени). с утра по восточному времени до 15:00 по восточному времени). Обоснование заключается в том, что крупномасштабная институциональная покупка доллара США происходит в рабочее время в Европе для оплаты глобальных счетов, а в рабочее время в США происходит обратное. Поэтому этот эффект также называют «эффектом счета».

Имеются некоторые подтверждающие данные о временных моделях различных показателей рынка форекс, таких как волатильность (см. Baile and Bollerslev (1991) или Andersen and Bollerslev (1998)), оборот (см. Hartman (1999), или Ito and Hashimoto (2006)), и вернуться (см. Cornett (1995) или Ranaldo (2009)). По сути, местная валюта обесценивается в рабочее время по каждому из этих показателей и укрепляется в рабочее время в Соединенных Штатах.

На рисунке 1 ниже показана средняя почасовая доходность каждого часа дня за период, начиная с 01.10.2019 17:00 по восточному времени до 01.09.2021 16:00 по восточному времени. Он показывает модель доходности в EURUSD. Модель возврата в описанном выше «рабочем времени» в целом согласуется с гипотезой о распространенном «эффекте счета». Возврат снижается во время работы в Европе и увеличивается в рабочее время в США.

Поскольку эта стратегия была опубликована в 2012 году, у нее достаточно времени для настоящего тестирования вне выборки. Мы собрали данные за 1-минутный бар EURUSD от Electronic Broking Services (EBS) и провели ретроспективное тестирование за период вне выборки с октября 2021 г. по январь 2023 г. Коэффициент Шарпа стратегии в этот период составляет 0,88 при средней годовой доходности. 3,5% и максимальной просадкой -3,5%. Альфа стратегии видимо выдержала. (Для целей этой статьи транзакционные издержки не включены в ретроспективное тестирование, потому что наша единственная цель — сравнить производительность с корректирующим ИИ и без него, а не определить, жизнеспособна ли эта торговая стратегия в реальных условиях.)

На рисунке 2 ниже показана кривая капитала («рост на 1 доллар») стратегии в течение вышеупомянутого периода вне выборки. Совокупная доходность за этот период составляет чуть менее 8%. Мы называем это «Основной» торговой стратегией по причинам, которые станут ясны ниже.

Что такое корректирующий ИИ?

Предположим, у нас есть торговая модель (подобная описанной выше основной торговой стратегии) ​​для определения стороны ставки (длинной или короткой). Нам просто нужно узнать размер этой ставки, которая включает в себя возможность вообще не делать ставки (нулевые размеры). Это ситуация, с которой практикующие сталкиваются регулярно. Алгоритм машинного обучения (ML) можно обучить определять это. Чтобы подчеркнуть, мы не хотим, чтобы алгоритм ML изучал или предсказывал сторону, просто чтобы сообщить нам, какой размер является подходящим.

Мы называем эту проблему метамаркировкой (Лопес де Прадо, 2018 г.) или корректирующим ИИ (Чан, 2022 г.), потому что мы хотим построить вторичную модель машинного обучения, которая учится использовать первичную торговую модель.

Мы обучаем алгоритм машинного обучения вычислять «вероятность прибыли» (PoP) для следующего минутного бара. Если PoP больше 0,5, мы установим размер ставки равным 1; в противном случае мы установим его равным 0. Другими словами, мы принимаем ступенчатую функцию в качестве функции определения размера ставки, которая принимает PoP в качестве входных данных и дает размер ставки в качестве выходных данных с порогом, установленным на 0,5. Эта функция определения размера ставки решает, принять ставку или пройти, что является чисто бинарным предсказанием.

Период обучения длился с 1 января 2019 г. по 30 сентября 2021 г., а период тестирования вне выборки - с 01 января 2021 г. по 15 января 2023 г., что соответствует периоду вне выборки, о котором мы сообщили. для основной торговой стратегии. Модель, используемая для обучения алгоритма машинного обучения, была создана с использованием API-интерфейса корректирующего ИИ прогнозирования (CAI) с более чем сотней предварительно спроектированных входных функций (предикторов). Лежащий в основе алгоритм обучения представляет собой дерево решений, повышающее градиент.

После применения Корректирующего ИИ коэффициент Шарпа стратегии в этот период составляет 1,29 (рост 0,41), среднегодовая доходность 4,1% (рост 0,6%) и максимальная просадка -1,9% (снижение 1,6%). %). Значительно улучшена альфа стратегии.

Кривая капитала вторичной модели, отфильтрованной корректирующим ИИ, показана на рисунке ниже.

Функции, используемые для обучения модели корректирующего ИИ, включают технические индикаторы, созданные на основе рынков индексов, акций, фьючерсов и опционов. Многие из этих функций были созданы с использованием высокочастотных данных о фьючерсах и акциях Algoseek. Дополнительные обсуждения этих функций можно найти в (Nautiyal & Chan, 2021).

Заключение:

Применив Корректирующий ИИ к дневной основной стратегии, мы смогли улучшить коэффициент Шарпа и уменьшить просадку в период тестирования вне выборки. Это согласуется с наблюдениями, сделанными в литературе по метамаркировке наших основных стратегий. Возможности фильтрации сигналов модели корректирующего ИИ повышают производительность в определенных сценариях.

Подтверждение

Мы благодарны Крису Бартлетту из Algoseek, который щедро предоставил большую часть высокочастотных данных для нашей разработки функций в нашей системе корректирующего ИИ. Мы также благодарим Павана Датта за помощь в разработке функций и Джая Сукумара за помощь в использовании CAI Predictnow.ai API. Наконец, мы выражаем признательность Эрику Макдональду и Джессике Уотсон за их вклад в объяснение этой технологии клиентам Predictnow.ai.

Ссылки

Бридон, Ф., и Ранальдо, А. (3 апреля 2012 г.). Внутридневные паттерны возврата валютных курсов и потока заказов. https://ssrn.com/abstract=2099321

Чан, Э. (2022, 9 июня). Что такое корректирующий ИИ? PredictNow.ai. Получено 23 февраля 2023 г. с сайта https://predictnow.ai/what-is-corrective-ai/.

Лопес де Прадо, М. (2018). Достижения в области финансового машинного обучения. Уайли.

Наутиал, А., и Чан, Э. (2021). Новые дополнения к зоопарку PredictNow.ai Factor. PredictNow.ai. Получено 28 февраля 2023 г. с сайта https://predictnow.ai/new-additions-to-the-predictnow-ai-factor-zoo/.