提取市場特徵以決定何時部署或停止策略
一年來，我一直在使用算法策略進行實時交易。我有很好的時期，持續大約兩個月，隨後是幾週的糟糕時期。我進行了必要的統計測試，以確保良好的時期不是純粹運氣的結果，而是一致且顯著的表現。
我現在想知道我是否可以辨識與我的交易表現相關的市場機制。這將提供一個工具來決定何時啟動/停止我的算法。我將從對我來說顯而易見的事情開始：波動性和資產相關性。
我在這個領域幾乎沒有經驗，所以我想找到標準方法（如果存在）、論文或討論。
我認為你說得對，在某些市場狀態下，你的模型表現不佳。您可以使用一些有用的工具。
首先，我們看看有用的財務特徵，其中之一是結構性中斷。
結構性中斷通常分為兩組（de Prado 2018）：
- CUSUM 測試
- 爆炸性測試
對於 CUSUM 測試，您可以查看：
- 遞歸殘差的 Brown-Durbin-Evans CUSUM 檢驗。
- 跟隨Homm 和 Breitung的 Chu-Stinchcombe-White CUSUM 水平測試
對於爆炸性測試：
- Chow 型 Dickey-Fuller 測試，Chow，1960 年
- Supremum Augmented Dickey-Fuller, Peter CB Phillips Yangru Wu Jun Yu, 2011
- 亞鞅和超鞅測試，Greene，2008
如果你訓練一個二級機器學習模型來幫助過濾掉誤報，那就更好了。我以前曾提倡過這種技術：
“在閱讀本文時，我意識到這將是元標記的一個非常好的應用程序。元標記背後的想法是建構第二個模型，以確定來自主模型的信號 {0, 1} 是否正確。
通過這樣做，輔助模型輸出一個介於 0 和 1 之間的值，指示模型對主模型正確與否的可信度。然後可以將此輸出傳遞給下注大小算法，該算法將輸出映射到頭寸大小。核心思想是，我們希望在可能真實的交易中持有大頭寸，而當我們不確定時，我們希望在交易中持有較小的頭寸。
在這背後給出一些直覺。讓我們以趨勢跟踪策略為例。現在，眾所周知，當市場橫盤整理時，移動平均線交叉策略表現不佳。波濤洶湧的性質導致了大量的交易費用。
二級模型將在某些波動性條件下以及可能的低自相關性下發現，我們處於橫向趨勢中，因此主要模型信號（在這種情況下為 1）可能是錯誤的，因此它分配給它低機率。
有關此技術的更多資訊，請參閱《金融機器學習進展》的第 3 章。可以在此處找到元標記的玩具範例“MNIST 數據的元標記”。