¿Podemos crear un modelo de aprendizaje supervisado para una estrategia CTA con los enfoques siguientes?

• División cronológica de los datos
  • Para evitar la fuga de datos y simular un backtesting adecuado
• Sobremuestreo aleatorio (no sintético)
  • Para tratar el desequilibrio de clases
• Modelización con transformación de variables mediante algoritmos de conjuntos de árboles

Principales datos de entrada de la tarea:

• Fechas
  • Inicio de la validación
  • Inicio del periodo de reserva (holdout)
  • Fin del periodo de reserva
• Métrica de optimización (Accuracy, Precision, Recall, F1, Neg Log Loss)
• Frecuencia de entrenamiento (año, trimestre, mes, día)

Resultados:

• Señales predichas, largas o cortas
• Métricas agregadas de validación frente a reserva
• Matrices de confusión de validación frente a reserva
• Hiperparámetros definitivos del modelo

• División cronológica de los datos en conjuntos de entrenamiento/validación/reserva
• Se supone un backtesting con un intervalo fijo de reentrenamiento del modelo:
  • anual
  • trimestral
  • mensual
  • diario
• Periodo de validación:
  • Las predicciones de este periodo se puntúan y se utilizan para ajustar los hiperparámetros
• Periodo de reserva:
  • Las predicciones de este periodo se registran, pero no se utilizan para ningún ajuste

• La modelización de señales es un problema de clasificación binaria
• Las señales de los activos CTA suelen estar muy desequilibradas (una proporción de alrededor de 1:4)
  • Aplicar directamente un modelo de ML daría lugar a que la mayoría de las veces se predijera la clase mayoritaria
• Enfoque
  • Se realiza un sobremuestreo aleatorio no sintético de la clase minoritaria hasta una proporción de 1:1
  • El sobremuestreo se implementa con una semilla aleatoria reproducible

Marco del modelo

• Datos de entrada -> modelo de conjunto de árboles para la transformación de variables (FT) -> codificación one-hot -> modelo predictivo final

Modelo de conjunto de árboles FT:

• Se utiliza un algoritmo supervisado de conjunto de árboles para transformar las variables
• Enfoque:
  • Se entrena primero con los datos de entrenamiento (y nunca se expone a los datos de prueba)
  • Después se utiliza como paso de transformación de variables, en el que:
    • los datos preprocesados se introducen en el modelo
    • las hojas de cada árbol se utilizan como variables de entrada del modelo siguiente
• Ayuda a captar relaciones no lineales en los datos y actúa a la vez como una forma de regularización

Modelo predictivo final:

• Algoritmo de árboles con gradient boosting de última generación
• Recibe los datos con las variables transformadas y codificadas one-hot de la capa anterior y realiza una predicción de clasificación binaria

Precisión = (verdaderos positivos)/(positivos predichos) para el conjunto de las predicciones de los periodos de validación y de reserva, para cada posición de señal (larga/corta)

Gráfico 1: histograma de la precisión:

• 30 activos x 2 posiciones de señal = 60
• Media = 0.299
• La moda se sitúa entre 0.30 y 0.35

Gráfico 2: gráfico de barras de la precisión por activo

• Cada activo tiene dos valores de precisión (uno por cada posición de señal)
• La mayoría de los activos tienen resultados de precisión similares para ambas posiciones de señal