Examining technical analysis-based strategies in Forex and Crypto markets

Aliaksandr Haurusiou

Bachelor's thesis

Abstract:

Když někdo vezme do ruky knihu o technické analýze, bude často obsahovat výsledky strategií nebo vzorců, které popisuje. I když jsou tato data přínosná pro vývoj obchodního systému, není vždy jasné, jak byly tyto výsledky určeny. I když se může zdát, že tyto strategie ve vzorovém souboru dat fungují dobře, mohly by být ovlivněny běžnými statistickými problémy, jako je overfitting. Použití takových strategií při obchodování mimo vzorek by mohlo přinést náhodné nebo trvale negativní výsledky. Použití přísnějšího hodnotícího přístupu tedy může snížit statistickou významnost prezentovaných výsledků. Kromě toho mohou tyto strategie fungovat odlišně na trzích Forex a Crypto, protože k ukázkám obchodů se obvykle používá akciový trh. Nicméně velikost datové sady potřebná k zálohování těchto tvrzení vylučuje možnost použití manuální analýzy, což vyžaduje použití algoritmického, softwarově řízeného přístupu. Hlavním cílem této práce je kvantifikovat očekávaný výkon mimo vzorek (OOS) jednoduchých strategií založených na technické analýze. K dosažení tohoto cíle jsou strategie hodnoceny pomocí zjednodušeného algoritmického obchodního systému pro provádění zpětných testů a je analyzována finanční výkonnost strategií ve vzorku. V této analýze je odvozen očekávaný výkon OOS spolu s jeho statistickou významností. Výsledky jsou následně porovnány s výsledky prezentovanými ve zkoumané literatuře.

Abstract:

When someone picks up a book about technical analysis, it will often include performance results of the strategies or patterns it describes. Even if this data is beneficial for developing a trading system, it is not always clear how those results were determined. While those strategies may seem to perform well in the sample dataset, they could be affected by common statistical problems such as overfitting. Using such strategies in out-of-sample trading could yield random or consistently negative results. Thus, applying a more rigorous evaluation approach may reduce the statistical significance of presented outcomes. Additionally, these strategies may perform differently in the Forex and Crypto markets, given that usually the stock market is used to show example trades. Nevertheless, the dataset size required to back up these claims eliminates the possibility of using manual analysis, mandating the use of an algorithmic, software-driven approach. The core aim of this thesis is to quantify the expected out-of-sample (OOS) performance of simple technical analysis-based strategies. To achieve this, the strategies are evaluated with a simplified algorithmic trading system for running backtests, and the in-sample financial performance of the strategies is analyzed. In this analysis, the expected OOS performance is derived, along with its statistical significance. The results are then compared with those presented in the examined literature.

Keywords

Technical analysis, Forex, cryptocurrencies, backtesting, algorithmic trading, multiple testing, overfitting, Sharpe ratio, deflated Sharpe ratio, haircut Sharpe ratio

Language used: English

Date on which the thesis was submitted / produced: 17. 4. 2023

Thesis defence

• Date of defence: 13. 6. 2023
• Supervisor: Ing. Eva Kostikov, Ph.D.
• Reader: doc. RNDr. Jan Lánský, Ph.D.

University of Finance and Administration

Bachelor programme / field:
Economics and Management / Economics and Management