Statistically Sound Machine Learning for Algorithmic Trading of Financial Instruments

Autor: David Aronson & Timothy Masters | Jahr: 2013 | Verlag: Self-published

Kernthesen

• Maschinelles Lernen für Trading muss statistisch korrekt sein — Data-Mining-Bias und In-Sample-Overfitting zerstören die meisten Systeme
• TSSB (Trading System Synthesis and Boosting) ist eine Software-Plattform zur automatisierten, verzerrungsfreien Systementwicklung
• Monte-Carlo-Permutationstests liefern statistisch valide p-Werte für Trading-Indikatoren ohne Look-ahead-Bias
• Signal-Boosting: Machine Learning kann existierende Trading-Signale signifikant verbessern

Methoden & Konzepte

• TSSB-Plattform: Features, Modelltraining, Walk-Forward-Testing, Ensemble-Methoden
• Statistische Tests: Monte Carlo Permutation, Bootstrap, Cross-Validation für Trading-Systeme
• Indicator Purification: Entfernen von Marktstruktur-Einflüssen aus technischen Indikatoren
• Signal Boosting: Gradient Boosting, Random Forests für Signalverbesserung
• Bias-freie p-Werte: Behandlung des Multiple-Comparison-Problems in systematischem Trading
• Pure VIX: Bereinigter Volatilitätsindikator

Schlüsselzitate

"David Aronson is a pioneer in machine learning and nonlinear trading system development and signal boosting/filtering. He has worked in this field since 1979."

Bewertung

Für wen: Quants, systematische Trader mit Programmierkenntnissen, TSSB-Nutzer; Fortgeschrittene in algorithmischem Trading Stärken: Seltene Kombination von statistischer Strenge und Trading-Praxis; TSSB kostenlos verfügbar Schwächen: Tutorial-Format setzt Software-Nutzung voraus; kein klassisches Lehrbuch; begrenzte Verbreitung