Machine learning trading algorithms built on market information based outliers

We develop various stock selection algorithms based on indicators of stock time series (return, volume, bid-ask spread) linked with the dissemination of private information in financial markets. We use the Naive Bayes classifier and a family of neural networks for predicting stock returns and to define the trading strategies. We apply these models to a set of equities belonging to the EUROSTOXX50 index. We find that the predicted strategies are smoother than the Buy & Hold strategy and outperform it when considering the Sharpe ratio and the maximum drawdown as performance measures. In particular, the neural network strategy is considerably more conservative, outperforming all the others during the COVID-19 pandemic market collapse. However, these improved performances disappear when transaction costs are included.

Sviluppiamo diversi algoritmi di selezione di stocks basati su indicatori di serie storiche (rendimento, volume, differenza di bid-ask) legati alla diffusione di informazioni private nei mercati finanziari. Usiamo il classificatore di Bayes e una famiglia di reti neurali per la previsione dei rendimenti azionari e per la definizione delle strategie di trading. Applichiamo questi modelli ad un insieme di azioni appartenenti all'indice EUROSTOXX50. Troviamo che le strategie predette sono più “smooth” rispetto alla strategia Buy & Hold e superano quest’ultima se si considerano Sharpe ratio e maximum drawdown come misure di performance. In particolare, la strategia che utilizza una rete neurale come metodo di classificazione è considerevolmente più conservatrice, sovraperformando tutte le altre durante il crollo dei mercati dovuto alla pandemia di COVID-19. Tuttavia, queste prestazioni migliorate scompaiono quando i costi di transazione sono inclusi.