¿Es útil un algoritmo de negociación "malo"?

Question

Esto me ha estado molestando durante un tiempo. He tratado de hacer un algoritmo de comercio y por lo general se desempeñan mal; pero aquí está el inconveniente:

1. Si mi algoritmo sugiere que compre acciones a, b y c y me sugiere que ponga las acciones en corto d, e y f
2. Si mi algoritmo pierde el 50%
3. ¿No sería un algoritmo que acorta a, b y c y largos d, e y f hacer el 50%

Sin embargo, cuando intento invertir mis algoritmos (para que los largos se conviertan en cortos y los cortos en largos) me todavía no ganan dinero. ¿Por qué?

Answer 1

No, permítanme darles una razón técnica por la que probablemente eso no sea cierto.

Creemos dos criterios distintos para juzgar los modelos. El primero es $\pi>0$ frente a $\pi\le{0}$ , donde $\pi$ es la función de beneficio histórico. La segunda será por la divergencia K-L, donde $\delta^*=\arg\min{\delta},$ y $\delta\in{D}$ es el conjunto de posibles divergencias K-L de la naturaleza bajo una variedad de algoritmos $\mathcal{A}\in{A}$ .

Debido a los costes de negociación, la probabilidad de que un algoritmo $\mathcal{A}'$ o su inversa aditiva $-\mathcal{A}'$ será ex-ante rentable será inferior al cincuenta por ciento en la inmensa mayoría de los algoritmos. Haga lo que haga, si elige cualquiera de los dos algoritmos, probablemente perderá en el futuro.

Ahora consideremos la gran mayoría de los algoritmos tales que $\delta'\gg\delta^*$ . En ese caso, o bien $\mathcal{A}$ o $-\mathcal{A}$ generalmente será rentable, ex-post siempre que el proceso de difusión sea lo suficientemente grande como para cubrir los costes del comercio. Por ahora, ignoraremos los casos de pequeñas ganancias/pérdidas porque la mayoría de los operadores los ignorarían tontamente aunque fueran el mejor modelo en el futuro.

Una nota, la periodicidad de negociación del mercado estadounidense basada en el análisis espectral es de aproximadamente 41 años. Por lo tanto, un tamaño de muestra de uno es un algoritmo probado durante 41 años de negociación. Una muestra de dos es de 82 años.

Ahora, porque $\delta'\gg\delta^*$ la función de beneficio $\pi'$ estarán débilmente correlacionadas ex ante a la naturaleza y el beneficio previsto para ambos $\mathcal{A}$ o $-\mathcal{A}$ es negativo.

Ahora consideremos el algoritmo $\mathcal{A}^*$ tal que $\delta=\delta^*$ y un conjunto de estrategias $S^*\in\Sigma^*$ donde cada estrategia elige cómo implementar el algoritmo en diferentes combinaciones de $\mathcal{A}(x)$ y $-\mathcal{A}(x)$ où $x\in\chi$ es la implementación del algoritmo en un valor sobre un conjunto de valores $\chi$ .

Dicho algoritmo debe existir o $\tilde{w}_x\le{R}\bar{w}_x+\epsilon_x$ , donde $\tilde{w}$ es la riqueza futura de la inversión en activos $x$ y $\bar{w}_x$ es la riqueza actual.

En otras palabras, tiene que haber una estrategia para saber cómo invertir o la inversión no existiría.

Cuando $\delta'\gg\delta^*$ entonces todos los algoritmos y sus inversos aditivos se comportarán como una ruleta. Los costes de negociación implican que las pérdidas serán la norma, incluso si un algoritmo ha sido sometido a pruebas retrospectivas y a una validación cruzada. Existirá un número contablemente infinito de algoritmos malos si el conjunto de activos no tiene límites a largo plazo.

Como $\delta\to\delta^*$ la capacidad de discernir una estrategia eficaz, donde algunas estrategias son no hacer nada sube. Berkshire Hathaway sería un ejemplo de empresa con una estrategia cercana a $\delta^*$ .

La rentabilidad, ex-ante, nunca depende del back-testing o de la validación cruzada. Depende de la distancia de la naturaleza y de su capacidad para discriminar los estados de la naturaleza sobre la clase de activos.

Answer 2

¿Este comportamiento se produce cuando se realizan pruebas retrospectivas con los mismos datos, o cuando se ejecuta el algo en vivo? Si se trata de una prueba retrospectiva, entonces se debe a las tasas. Si es en vivo, entonces su algo se comporta de forma aleatoria y supongo que su hipótesis subyacente a su algo es falsa.

Answer 3

No, es probable que haga también un 50% de pérdidas. También hay que tener en cuenta los criterios para cerrar las posiciones. No son los mismos para cerrar la posición habiendo sido un corto o un largo. Es decir, una pérdida del 10% debido a un stop-loss no está necesariamente garantizada para convertirse en una ganancia del 10% cuando la dirección de la posición ha cambiado (creo).

En otras palabras, si sólo pudieras intercambiar posiciones largas y cortas en tu algo de trading para hacerlo rentable, entonces podrías encontrar un número infinito de algos rentables - sólo encontrando uno cuyas pérdidas sean mayores que simplemente las comisiones (lo cual debería ser fácil). Esto se aplica tanto al back-testing como al trading real. La respuesta de Harris no parece una respuesta a la pregunta - está claro que cualquier modelo es tan bueno como predice el futuro. Si el modelo falla, se pierde.