Details

Данная работа посвящена разработке и статистической валидации торговой стратегии на основе технического анализа. Задачи, которые решались в ходе исследования: 1. Изучение особенностей применения технического анализа, общепринятых подходов и подводных камней при создании стратегии. 2. Определение новой стратегии возврата к среднему на основе экспоненциального скользящего среднего и экспоненты Хёрста. 3. Оптимизация параметров. 4. Тестирование и статистическая валидация модели. 5. Анализ полученных результатов. Создан комплексный программный продукт на языке Python с использованием библиотек yfinance, gj, numpy, hurst и backtesting.py, обеспечивающий сбор и подготовку данных, формирование синтетических портфелей, бэктестинг, оптимизацию параметров и статистическую валидацию стратегий. Проведен подбор оптимальных параметров стратегии на тестовой выборке для трех синтетических портфелей, который показал формально привлекательные показатели доходности и риск-метрик. Верификация стратегии на независимой выборке для трех новых синтетических портфелей показала доходность, сопоставимую со стратегией "купи и держи", и не подтвердила статистическую значимость результатов. В рамках данной работы гипотеза об эффективности предложенной конфигурации стратегии возврата к среднему с фильтром по экспоненте Хёрста не нашла убедительного статистического подтверждения на исследованных данных. Работа демонстрирует важность строгой статистической валидации, включая независимое тестирование, для объективной оценки торговых систем.

This work is devoted to the development and statistical validation of a trading strategy based on technical analysis. The research set the following goals: 1. To study the features of applying technical analysis, generally accepted approaches, and pitfalls in strategy creation. 2. To define a new mean reversion strategy based on the exponential moving average and the Hurst exponent. 3. To optimize the parameters. 4. To test and statistically validate the model. 5. To analyze the obtained results. A comprehensive software product was created in Python using yfinance, pandas, numpy, hurst, and backtesting.py libraries, providing data collection and preparation, formation of synthetic portfolios, backtesting, parameter optimization, and statistical validation of strategies. Optimal strategy parameters were selected on a test sample for three synthetic portfolios, which showed formally attractive return and risk metrics. Verification of the strategy on an independent sample for three new synthetic portfolios showed returns comparable to a "buy and hold" strategy and did not confirm the statistical significance of the results. Within the scope of this work, the hypothesis regarding the effectiveness of the proposed configuration of the mean reversion strategy with a Hurst exponent filter did not find convincing statistical confirmation on the investigated data. The work demonstrates the importance of rigorous statistical validation, including out-of-sample testing, for an objective assessment of trading systems.