論文の概要: A Framework for Predictive Directional Trading Based on Volatility and Causal Inference

• arxiv url: http://arxiv.org/abs/2507.09347v1
• Date: Sat, 12 Jul 2025 16:53:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:22.975177
• Title: A Framework for Predictive Directional Trading Based on Volatility and Causal Inference
• Title（参考訳）: ボラティリティと因果推論に基づく予測指向性取引の枠組み
• Authors: Ivan Letteri,
• Abstract要約: 本研究では,金融市場における予測的リードラグ関係の同定と活用のための新しい枠組みを提案する。 本稿では,高度な統計手法と機械学習モデルを組み合わせた統合的手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Purpose: This study introduces a novel framework for identifying and exploiting predictive lead-lag relationships in financial markets. We propose an integrated approach that combines advanced statistical methodologies with machine learning models to enhance the identification and exploitation of predictive relationships between equities. Methods: We employed a Gaussian Mixture Model (GMM) to cluster nine prominent stocks based on their mid-range historical volatility profiles over a three-year period. From the resulting clusters, we constructed a multi-stage causal inference pipeline, incorporating the Granger Causality Test (GCT), a customised Peter-Clark Momentary Conditional Independence (PCMCI) test, and Effective Transfer Entropy (ETE) to identify robust, predictive linkages. Subsequently, Dynamic Time Warping (DTW) and a K-Nearest Neighbours (KNN) classifier were utilised to determine the optimal time lag for trade execution. The resulting strategy was rigorously backtested. Results: The proposed volatility-based trading strategy, tested from 8 June 2023 to 12 August 2023, demonstrated substantial efficacy. The portfolio yielded a total return of 15.38%, significantly outperforming the 10.39% return of a comparative Buy-and-Hold strategy. Key performance metrics, including a Sharpe Ratio up to 2.17 and a win rate up to 100% for certain pairs, confirmed the strategy's viability. Conclusion: This research contributes a systematic and robust methodology for identifying profitable trading opportunities derived from volatility-based causal relationships. The findings have significant implications for both academic research in financial modelling and the practical application of algorithmic trading, offering a structured approach to developing resilient, data-driven strategies.
• Abstract（参考訳）: 目的:本研究は,金融市場における予測的リードラグ関係の同定と活用のための新しい枠組みを導入する。 本稿では,先進的な統計手法と機械学習モデルを組み合わせることで,株式間の予測関係の同定と活用を促進する手法を提案する。 方法: 3年間にわたる中距離の変動性プロファイルに基づいて, ガウス混合モデル(GMM)を用いて, 9つの顕著な株式をクラスタリングした。 その結果,多段階の因果推論パイプラインを構築し,Granger Causality Test(GCT),カスタマイズされたPeter-Clark Momentary Conditional Independence(PCMCI)テスト,ETE(Effective Transfer Entropy)テストを導入し,堅牢で予測可能なリンクを同定した。 その後、動的時間ワープ(DTW)とK-Nearest Neighbours(KNN)分類器を用いて、取引実行の最適時間ラグを決定する。 結果として得られた戦略は厳格に裏切られた。 結果:2023年6月8日から8月12日まで行われたボラティリティに基づく貿易戦略は、実質的な効果を示した。 ポートフォリオの総リターンは15.38%で、比較購入とホールドの戦略の10.39%のリターンを大きく上回った。 シャープ比の最大2.17と、特定のペアで最大100%の勝利率を含む主要なパフォーマンス指標は、戦略の生存可能性を確認した。 結論: 本研究は, ボラティリティに基づく因果関係から得られる収益性取引機会を特定するための, 体系的かつ堅牢な方法論に寄与する。 この発見は、金融モデリングの学術研究とアルゴリズム取引の実践的応用の両方に重要な意味を持ち、レジリエントでデータ駆動型戦略を開発するための構造化されたアプローチを提供する。

関連論文リスト

• A Comparative Analysis of Statistical and Machine Learning Models for Outlier Detection in Bitcoin Limit Order Books [0.0]
  本研究は,暗号通貨制限順序書(LOB)における実時間異常識別のための頑健な統計手法と高度な機械学習手法の比較分析を行う。 我々は13の多様なモデルの有効性を評価し、どのアプローチが潜在的にマニピュティブな取引行動を検出するのに最も適しているかを同定する。 主要な取引所から26,204レコードのデータセットをバックテストして実施した経験的評価は、最高性能のモデルであるEmpirical Covariance (EC)が6.70%向上し、標準のBuy-and-Holdベンチマークを大幅に上回ったことを示している。
  論文  参考訳（メタデータ） (2025-07-20T13:42:36Z)
• Enhancing CTR Prediction with De-correlated Expert Networks [53.05653547330796]
  本稿では,専門的相関を最小化するクロスエキスパートデコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・ D-MoEの有効性とデコリレーション原理を検証するために大規模な実験が行われた。
  論文  参考訳（メタデータ） (2025-05-23T14:04:38Z)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
  IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。 我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。 不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-03T17:39:38Z)
• Leveraging RNNs and LSTMs for Synchronization Analysis in the Indian Stock Market: A Threshold-Based Classification Approach [0.0]
  本研究は,機械学習と非線形時系列解析を用いて株価の同期を予測するための新しいアプローチを提案する。 この手法を21年間にわたるインド市場からの20の高資本株のデータセットに適用する。 その結果,本手法は株価同期を精度0.98,F1スコア0.83で予測できることがわかった。
  論文  参考訳（メタデータ） (2024-08-27T11:08:37Z)
• Mean-Variance Portfolio Selection in Long-Term Investments with Unknown Distribution: Online Estimation, Risk Aversion under Ambiguity, and Universality of Algorithms [0.0]
  本稿では、データを徐々に、そして継続的に明らかにする視点を採用する。 オリジナルのモデルはオンライン学習フレームワークに再キャストされ、統計的仮定は一切含まない。 将来のデータの分布が正常な形に従えば、リスク回避のキャリブレーションにより、効率的なフロンティアに沿ってポートフォリオを持ち上げることにより、富の成長率が向上することを示す。
  論文  参考訳（メタデータ） (2024-06-19T12:11:42Z)
• Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market [0.0]
  本研究は,グラフクラスタリングアルゴリズムに基づく統計仲裁の新しい枠組みに基づく効果的な戦略の開発を目指す。 この研究は、最適な信号検出とリスク管理のための統合的なアプローチを提供することを目指している。
  論文  参考訳（メタデータ） (2024-06-15T17:25:32Z)
• Uncertainty for Active Learning on Graphs [70.44714133412592]
  不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。 予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。 提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T16:50:47Z)
• Deep Learning Enhanced Realized GARCH [6.211385208178938]
  本稿では,深層学習(LSTM)とボラティリティ対策の併用によるボラティリティモデリングの新しい手法を提案する。 このLSTMで強化されたGARCHフレームワークは、金融経済学、高周波取引データ、ディープラーニングによるモデリングの進歩を取り入れ、蒸留する。
  論文  参考訳（メタデータ） (2023-02-16T00:20:43Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。