Modelarea piețelor financiare

Capitolul 13 · Machine learning în finanțe

În stînga este slide-ul din curs, în dreapta aceeași figură, calculată în browser din aceleași date. Butonul ▶ modifică parametrul pas cu pas.

Ce poate prezice machine learning în finanțe? · Metode de machine learning · Caracteristici: diferențierea fracționară și limitele ei · Etichete: definirea variabilei țintă · Validarea fără informație din viitor · Studiu de caz: predicția S&P 500 · Selecție și overfitting-ul backtest-ului · Machine learning pentru inferență · Direcții actuale de cercetare: modele structurale și modele flexibile

Ce poate prezice machine learning în finanțe?

Predictibilitatea direcției și a riscului

Slide-ul 8: Predictibilitatea direcției și a riscului
Slide-ul 8
    Întrebare pentru sală Pentru S&P 500, în 2000–2026, autocorelațiile randamentelor zilnice sînt mici la majoritatea lagurilor. Cum arată autocorelațiile randamentelor absolute |r_t|?
    Răspuns

    Pentru |r_t|, autocorelația este 0,29 la lagul 1 și 0,16 la lagul 40; toate cele 40 ies din banda ±0,024. La randamente, autocorelația de ordinul 1 este −0,10, iar 13 din 40 ies din bandă. Autocorelația liniară redusă nu implică independență, iar aplicarea modulului nu transformă ACF prin simpla ridicare la pătrat. Rezultatul indică persistența amplitudinii randamentelor. Banda ±0,024 este un reper punctual i.i.d., nu o bandă simultană robustă la heteroscedasticitate.

    Metode de machine learning

    Traiectoria de regularizare LASSO

    Slide-ul 15: Traiectoria de regularizare LASSO
    Slide-ul 15
      Întrebare pentru sală Pe traiectoria LASSO estimată pe întregul eșantion, ce caracteristică devine prima nenulă cînd penalizarea scade?
      Răspuns

      Prima caracteristică este ffd_price. vol_20 are cel mai mare coeficient în valoare absolută la penalizare slabă, ceea ce nu stabilește ordinea intrării. Nici autocorelația de ordinul 1 a randamentelor nu stabilește această ordine. Filtrul FFD trunchiat păstrează o componentă proporțională cu nivelul log-prețului. Intrarea timpurie nu dovedește abilitate predictivă: AUC mediu în CV cu purjare, cu scalarea estimată în fiecare pliu, este între 0,476 și 0,486 pentru penalizările cu cel puțin un coeficient nenul.

      Caracteristici: diferențierea fracționară și limitele ei

      Statistica ADF în funcție de d: S&P 500

      Slide-ul 21: Statistica ADF în funcție de d: S&P 500
      Slide-ul 21
        Întrebare pentru sală La d = 0,25, ADF cu un lag respinge rădăcina unitate. Este această respingere suficientă pentru a considera seria FFD staționară?
        Răspuns

        ADF cu un lag respinge: −2,96 < −2,86. Cu 34 de laguri alese prin AIC, statistica este −0,72 și nu respinge. Niciun verdict nu este o demonstrație. Argumentul structural este că, pentru un log-preț I(1), filtrul finit cu suma ponderilor 0,178 păstrează componenta I(1). Corelația 0,98 cu log-prețul este un semnal de alarmă, nu un test de staționaritate.

        Etichete: definirea variabilei țintă

        Trei bariere: S&P 500 în 2022

        Slide-ul 26: Trei bariere: S&P 500 în 2022
        Slide-ul 26
          Întrebare pentru sală Un eveniment atinge mai întîi bariera de profit, în ziua 5. În ziua 15, prețul este sub nivelul de intrare. Ce etichetă primește în implementarea paginii?
          Răspuns

          Evenimentul se încheie în ziua 5 și primește +1. Mișcarea ulterioară nu schimbă eticheta. Semnul randamentului la orizont se folosește numai dacă nu a fost atinsă anterior nicio barieră orizontală; nu există o regulă de anulare a semnelor. Pe grafic, doar evenimentul din martie atinge bariera de profit; cele din mai, august și noiembrie primesc +1 prin semnul randamentului la bariera verticală, iar cel din ianuarie atinge stop-loss-ul (−1).

          Validarea fără informație din viitor

          K-fold cu purjare și embargo

          Slide-ul 32: K-fold cu purjare și embargo
          Slide-ul 32
            Întrebare pentru sală În schema cu 100 de observații și 5 pliuri, păstrăm embargoul e = 3. Dacă lungimea etichetei crește de la h = 4 la h = 6, cîte observații de antrenare sînt eliminate în jurul pliului central?
            Răspuns

            Se elimină 2h + e = 15 observații: h = 6 înainte de bloc, ale căror etichete se termină în test, și h + e = 9 după el, adică 6 purjate și 3 sub embargo. Valoarea 13 actualizează numai frontiera din stînga; valoarea 12 omite embargoul. Cele 20 de observații de test nu intră în acest total.

            Experiment de leakage: o țintă fără predictibilitate

            Slide-ul 33: Experiment de leakage: o țintă fără predictibilitate
            Slide-ul 33
              Întrebare pentru sală În simularea cu incrementări independente și simetrice și caracteristici de zgomot, K-fold amestecat dă 69,4%, față de 49,6% cu purjare și embargo. Ce explică diferența?
              Răspuns

              La h = 20, zilele vecine au etichete suprapuse și caracteristici similare. Amestecarea le distribuie între antrenare și test. Dezechilibrul claselor nu explică diferența dintre evaluări pe aceleași observații, iar repetarea împărțirii nu înlătură acest mecanism. Pliurile contigue dau 50,0%, iar purjarea și embargoul 49,6%; aceste valori sînt rezultate ale simulării, nu garanții exacte. Cu h = 2, K-fold amestecat dă 49,9%; cu h = 60 ajunge la 84,5%.

              Studiu de caz: predicția S&P 500

              Compararea modelelor: mediile pe pliuri

              Slide-ul 40: Compararea modelelor: mediile pe pliuri
              Slide-ul 40
                Întrebare pentru sală La pragul 0,5, logit-ul are acuratețea 57,7%. Demonstrează acest rezultat un avantaj de acuratețe față de regula „mereu în sus”?
                Răspuns

                Nu. Regula „mereu în sus” are 58,1%, deci logit-ul are cu aproximativ 0,4 puncte procentuale mai puțin decît reperul. Depășirea nivelului de 50% sau clasarea înaintea celorlalte trei modele nu demonstrează depășirea acestui reper. Predicția „sus” în 98,3% din zile (TP = 3 575, FP = 2 589) arată apropierea de regula majoritară; nu dovedește că modelul reproduce exact această regulă. AUC-urile medii pe pliuri sînt între 0,477 și 0,508.

                Backtest walk-forward: rezultate

                Slide-ul 44: Backtest walk-forward: rezultate
                Slide-ul 44
                  Întrebare pentru sală Expunerea medie a strategiei GBM long/cash este 76%. Putem trata strategia ca pe buy-and-hold cu expunere constantă de 76% atunci cînd comparăm rapoartele Sharpe?
                  Răspuns

                  Nu. Invarianța raportului Sharpe la scalare se referă la înmulțirea tuturor randamentelor cu aceeași constantă pozitivă. O poziție care alternează între 0 și 1 nu este o astfel de scalare. În exemplu, cu tranzacția la închiderea următoare, la pragul 0,5 și costul de 5 bp, strategia are SR 0,33, iar buy-and-hold 0,66. Diferența, −0,33, are p = 0,001 (test HAC Ledoit–Wolf). Log-prețul FFD folosește d = 0,15, ales doar pe datele pînă în 2009.

                  Anomaliile și piața: cîștigul out-of-sample față de media istorică

                  Slide-ul 47: Anomaliile și piața: cîștigul out-of-sample față de media istorică
                  Slide-ul 47
                    Întrebare pentru sală OLS cu toate cele 15 anomalii are R²OOS −7,41% în 1985–2026. De ce media celor 15 prognoze univariate face mai bine, cu 0,41%?
                    Răspuns

                    Comb este media prognozelor univariate: contribuția fiecărei pante univariate este ponderată cu 1/15. Nu este OLS multivariat împărțit la 15. Combinarea poate reduce varianța erorilor, fără a garanta un cîștig. Multicoliniaritatea nu produce singură bias OLS. În acest eșantion, Comb are R²OOS 0,41%, față de −7,41% pentru OLS; semnificația cîștigului Comb este sensibilă la lagurile HAC (p unilateral Clark–West 0,045 cu 5 laguri, 0,063 cu 3 laguri). În lucrare, cu 100 de anomalii, OLS ajunge la −2 513,86%, iar combinația simplă la 0,89%.

                    Selecție și overfitting-ul backtest-ului

                    Cea mai bună dintre N strategii fără abilitate

                    Slide-ul 52: Cea mai bună dintre N strategii fără abilitate
                    Slide-ul 52
                      Întrebare pentru sală Pentru 1 000 de strategii independente fără abilitate, fiecare evaluată pe 5 ani de randamente zilnice i.i.d., care este aproximativ media maximului raporturilor Sharpe anualizate?
                      Răspuns

                      Aproximativ 1,45: aproximarea teoretică dă 1,46, iar media celor 200 de simulări este 1,43. Zero este media unei strategii individuale; 0,45 = √(1/5) este abaterea sa standard aproximativă. Maximul unei realizări variază de la un eșantion la altul. Valoarea crește cu N și scade cu lungimea eșantionului.

                      In-sample (IS) și out-of-sample (OOS): căutare pe grilă pe Bitcoin

                      Slide-ul 54: In-sample (IS) și out-of-sample (OOS): căutare pe grilă pe Bitcoin
                      Slide-ul 54
                        Întrebare pentru sală Selectăm exclusiv pe perioada mai 2015–decembrie 2020 regula cu SR in-sample maxim, 2,02. Ce SR are această regulă în 2021–2026?
                        Răspuns

                        Regula MA 11/20, cu bandă 0%, are SR out-of-sample 0,03. Valorile 0,50 și 0,41 descriu mediane ale unor grupuri (cele mai bune 10% reguli in-sample, respectiv toate regulile), nu performanța acestei reguli. Corelația de rang Spearman dintre SR in-sample și out-of-sample este 0,13. Scăderea este compatibilă cu overfitting; comparația cu buy-and-hold cere o evaluare separată.

                        Machine learning pentru inferență

                        Exemplu rezolvat: puterea predictivă a VIX pentru randamentele S&P 500

                        Slide-ul 62: Exemplu rezolvat: puterea predictivă a VIX pentru randamentele S&P 500
                        Slide-ul 62
                          Întrebare pentru sală OLS doar cu log VIX dă 7,5 bp, cu intervalul [−10,3; 25,2]. De ce intervalul selecției duble este de aproape două ori mai larg?
                          Răspuns

                          La 4 laguri HAC, intervalul selecției duble, [−22,1; 40,8] bp, este de aproximativ 1,8 ori mai larg. Cele 15 controale selectate pentru log VIX reduc variația acestuia rămasă după control, ceea ce poate mări eroarea standard. Metodele folosesc același eșantion, iar ambele intervale au corecție HAC. Mărimea coeficientului nu determină proporțional lățimea intervalului. Intervalul [−22,1; 40,8] bp nu separă coeficientul predictiv de zero la nivelul de 5%.

                          Direcții actuale de cercetare: modele structurale și modele flexibile

                          Deep learning în evaluarea activelor: rapoarte Sharpe out-of-sample

                          Slide-ul 66: Deep learning în evaluarea activelor: rapoarte Sharpe out-of-sample
                          Slide-ul 66
                            Întrebare pentru sală Cu ponderi FF5 estimate pe 1967–1986 și apoi fixate, care este raportul Sharpe lunar în perioada de test 1992–2016?
                            Răspuns

                            FF5 are SR lunar 0,22, cu interval aproximativ de 95% [0,11; 0,34]. Pagina folosește eroarea standard √((1 + SR²/2)/T), sub aproximarea i.i.d. Normală. Valorile 0,75 și 0,15 aparțin GAN din lucrare, respectiv pieței din replicare. În lucrare, EN are 0,50 și FFN 0,44: modelul liniar regularizat depășește această rețea de prognoză în comparația raportată, fără a demonstra o regulă universală despre structură și flexibilitate.

                            S&P 500 și VIX: închideri zilnice, ianuarie 2000 – septembrie 2026; Bitcoin: închideri zilnice din septembrie 2014; prețuri EODHD. Factorii Fama–French: Kenneth French Data Library. Rapoartele Sharpe ale modelelor SDF: Chen, Pelger și Zhu (2024), Tabelul I și Tabelul A.VI. Anomaliile long-short (factori și diferențe de decile): Kenneth French Data Library; R²OOS din lucrare: Dong, Li, Rapach și Zhou (2022), Tabelul 2.