关键要点
-
本文介绍了一种新的技术指标——相对范围统计（RR），用于机器学习过滤器中的分类器，并与交易胜率和调整后的回报率进行了比较。
-
相对范围统计指标具有高相关性，可以识别数据中独特的特征，并提供更全面的理解信号在整个交易期间的表现。
-
初步结果表明，在使用该指标作为分类器时，策略表现有所改善。
-
使用相对范围作为标准化分类器并自动选择超参数的过程也可以帮助加快现有技术信号的过滤和新系统的发展。
-
本文还介绍了如何区分量化技术信号性能和随机交易进入的方法，并提供了波动性调整的一次性预测锥形图来显示市场环境下的交易信号的重要性。
机器学习技术分析固定收益策略
这一章节介绍了J.P.Morgan的全球固定收益策略团队如何使用机器学习技术来量化技术分析，并提出了一种新的分类器——相对范围统计学（RR）。相比于传统的胜率和波动性调整回报率等指标，RR能够更全面地了解信号表现，并且在数据上呈现出双峰分布的独特特征。初步结果表明，使用RR作为分类器可以提高策略性能。此外，该文还讨论了标准化分类器和自动超参数选择过程的应用，可以帮助加快现有技术信号的过滤和新系统的发展。最后，该文提供了一个图形示例，展示了定量技术信号绩效与随机交易入口之间的差异，并提供了市场环境下的波动性调整一标准差预测锥形图，以便更好地理解交易信号的重要性。
量化技术分析：相对范围指标的应用与意义
这一章节主要介绍了一种名为“相对范围”的技术分析指标，用于衡量交易信号的理论入场价格在整个价格范围内的位置，并且可以评估风险和收益的比例关系。文章通过对比不同时间段下的相对范围和击率统计结果，展示了该指标与二元分类器的区别和优势。同时，作者还利用机器学习算法对数据进行分类和预测，证明了相对范围指标的独特性和实用性。
机器学习分类器对趋势反转信号的改进
这一章节主要讲述了如何将理论应用于实践，并探讨了使用RR作为标签对模型的影响。通过机器学习过滤器对传统动量分歧信号进行分类，可以提高信号的准确性。该研究重点在于扩大数据集并使用三种不同的标记方法来训练分类器。通过对这些分类器的成功性进行比较，可以看出使用RR作为标签的效果更好。最终目的是为了找到一种能够击败随机策略和原始分歧信号策略的分类方法。
技术分析与机器学习在金融中的应用研究
这一章节介绍了J.P. Morgan使用技术分析和机器学习来预测股票市场的信号分类方法。他们通过分析历史数据并训练模型，将信号分为不同的类别，并根据不同类别的表现进行评估。其中，他们采用了三种不同的分类方法，分别是基于RSI趋势的分类、基于信号击率的分类以及基于相对范围和击率的分类。实验结果表明，这些分类方法都能够提高策略的表现，尤其是在长期持有期的情况下。
基于相对范围和收益率分类器的信号过滤方法研究
这一章节介绍了使用分类器对交易信号进行筛选的方法，并比较了不同指标（如胜率、相对范围等）在分类器中的表现。作者通过对SPX和USGG10YR指数的实证分析，发现使用相对范围作为分类标签可以提高策略的表现，尤其是在高相对范围内。此外，作者还尝试了不同的分类器配置，进一步优化了策略的表现。