A Novel Fading-Memory Filter Multiple Trading Strategy with Data-Driven Innovation Volatility
Notice bibliographique
Résumé
A profitable data-driven algorithmic trading algorithm will benefit from a dynamic system that can produce accurate hedge ratio estimates and short-term innovation volatility forecasts. Commonly used pairs and multiple trading strategies are constructed using the Kalman Filter (KF) and exploiting mean reversion in co-integrated nonstationary stock prices. However, KFs are sensitive to model errors. Misspecified modelling produces unstable solutions for dynamic systems. Fading-Memory Filter (FMF) uses a discounting weight to past observations. Compared to a standard KF, FMF addresses more recent observations and is more resilient (less sensitive) to modelling errors. However, the FMF algorithm does not provide slope parameter covariance matrix updates and innovation volatility forecasts. This paper proposes a novel resilient FMF algorithm for pairs trading and multiple trading by defining an appropriate data-driven innovation volatility forecasting model. The FMF-based strategies are implemented through some experiments on the hourly prices (high-frequency data) of Bitcoin, Ethereum and Litecoin. It is shown that the proposed FMF trading strategies outperform the existing KF trading strategies and they are more profitable in the bear market over time, especially for continuous falling of prices and the short-lived and sharp rally recovery where prices are not stationary.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».