¿Cómo entender mejor las señales de trading?

Question

Estoy buscando una mejor comprensión de una salida de una estrategia de negociación. Básicamente tengo una curva de equidad diaria llamémosla $Y_t$ . He definido un montón de variables independientes $X_{it}$ que creo que puede explicar el movimiento en el PnL diario. Las variables independientes no se utilizan en la generación de señales de trading directamente.

1) ¿Cómo puedo deducir qué variables independientes explican mi $Y_t$ ¿asumiendo que la relación podría ser no lineal? Puedo empezar con PCA, pero por lo que tengo entendido asume una relación lineal.

2) Utilizar un conjunto reducido de variables independientes $X_{it}$ de 1) ¿cómo hago para definir una relación no lineal con $Y_t$ . ¿Redes neuronales tal vez?

Entiendo que hacer 1) y 2) podría resultar en un sobreajuste, pero sólo quiero entender mejor la curva de equidad.

Answer 1

Esta es una pregunta bastante general

Básicamente estás preguntando cómo estimar la función de regresión

$$Y[t]-Y[t-1] = m(X_i [t], ..., X_p[t]) + \epsilon[t]$$

sin ninguna estructura adicional. He aquí una lista básica de preguntas a tener en cuenta. Tenga en cuenta que cuanto más pueda guiar estos procedimientos con el conocimiento del dominio, mejores serán probablemente sus resultados.

1. Un par de sus preguntas sugieren que usted sospecha que muchos de sus $X_i$ son irrelevantes para $Y$ . Usted sugiere PCA. Creo que el PCA es más útil cuando el $X_i$ están extremadamente correlacionados. Si su $X_i$ no están correlacionadas, entonces las técnicas de selección como LASSO y la regresión por pasos pueden proporcionar más información.

2. Hay muchos métodos para ajustar formas no lineales para $m( )$ . Antes de lanzarse a ello, es útil restringir aún más el espacio de funciones. Recuerde que el conjunto de todas las funciones no lineales en $p$ las variables pueden ser enormes y muchas de estas funciones se ajustarán a los datos a pesar de no tener sentido. Las restricciones más comunes son la aditividad y la suavidad.

3. Algunas sugerencias de adaptación $m( )$ incluyen: redes neuronales, árboles de regresión, boosting, bosques aleatorios, regresión de vectores de apoyo y splines de regresión adaptativa multivariante. Algunos de estos métodos pueden seleccionar automáticamente las variables como parte del proceso de ajuste. Esto evita el problema del paso (1) que señalas, a saber, que esos métodos son lineales e ignoran relaciones no lineales potencialmente importantes.