Creo que tiene razón al afirmar que, en determinados estados del mercado, sus modelos funcionan mal. Hay algunas herramientas útiles que podrías utilizar.
Para empezar, examinamos las características financieras útiles, una de las cuales son las rupturas estructurales.
Las rupturas estructurales suelen dividirse en dos grupos (de Prado 2018):
- Pruebas CUSUM
- Pruebas de explosividad
Para las pruebas CUSUM puedes echar un vistazo:
- Prueba CUSUM de Brown-Durbin-Evans sobre residuos recursivos.
- Prueba CUSUM de Chu-Stinchcombe-White sobre niveles, que sigue Homm y Breitung 2012
Para pruebas de explosividad:
- Pruebas Dickey-Fuller de tipo Chow, Chow, 1960
- Supremum Dickey-Fuller Aumentado, Peter C. B. Phillips Yangru Wu Jun Yu, 2011
- Pruebas Sub- y Super-Martingale, Greene, 2008
Sería aún mejor si entrenas un modelo ml secundario para ayudar a filtrar los falsos positivos. Ya he defendido esta técnica en otras ocasiones:
"Mientras leía esto me di cuenta de que sería una aplicación muy buena para el metaetiquetado. La idea detrás del metaetiquetado es construir un segundo modelo que determine si las señales {0, 1} del modelo primario son correctas o no.
De este modo, el modelo secundario emite un valor entre 0 y 1 que indica el grado de confianza que tiene en que el modelo primario sea correcto o no. Este resultado puede transmitirse a un algoritmo de cálculo del tamaño de la apuesta, que asigna el resultado a un tamaño de posición. La idea central es que queremos tomar posiciones grandes en operaciones que probablemente sean ciertas y posiciones más pequeñas en operaciones en las que no estamos seguros.
Para dar alguna intuición detrás de esto. Tomemos como ejemplo una estrategia de seguimiento de tendencia. Las estrategias de cruce de medias móviles son conocidas por su bajo rendimiento cuando el mercado se mueve lateralmente. La naturaleza entrecortada causa una gran cantidad de comisiones de transacción.
El modelo secundario detectará que bajo ciertas condiciones de volatilidad y quizás una baja auto correlación, estamos en una tendencia lateral y por lo tanto la señal del modelo primario (un 1 en este caso) es probable que sea falsa y por lo tanto le asigna una baja probabilidad.
Encontrará más información sobre esta técnica en el capítulo 3 de Advances in Financial Machine Learning. Se puede encontrar un ejemplo de juguete de metaetiquetado aquí "Metaetiquetado en datos MNIST".
2 votos
Aparte de hacer una regresión de las características/rendimientos de tu estrategia sobre las características del mercado (como rendimientos, volatilidad, etc.) para encontrar algún umbral significativo, cuando leo "regímenes de mercado" suelo pensar en Modelos Ocultos de Markov. Así que echa un vistazo a alguna biblioteca que haga el trabajo sucio por ti (como este ) y eche un vistazo a un modelo de 2 o 3 estados: investigando un vínculo entre el estado del mercado y las actuaciones de su estrategia debería encontrar lo que busca.