Drift Detection in Financial Time Series: Comparing Hidden Markov Models and Bayesian Methods

Abstract

Drift detection in financial time series is crucial for timely adaptation to regime shifts, yet exact changepoint identification remains challenging. This thesis compares Bayesian Online Changepoint Detection (BOCD) and Hidden Markov Models (HMM) on sim- ulated geometric Brownian motion paths and ten years of real market data. BOCD attains modest accuracy (20% of true breaks detected). Applied to a portfolio construc- tion, it yields roughly 50% average outperformance versus buy-and-hold strategy. HMMs also beat buy-and-hold strategy (30% outperformance), but lag behind the BOCD meth- ods. We unify changepoint inference with portfolio optimization, showing that imperfect changepoint detection can still drive robust trading signals.

Detekce driftu ve finančních časových řadách je klíčová pro včasné přizpůsobení se změnám režimů, avšak přesná identifikace bodů zlomu zůstává náročná. Tato práce po- rovnává Bayesovskou detekci bodů zlomu v reálném čase (BOCD) a skryté Markovovy modely (HMM) na simulovaných trajektoriích geometrického Brownova pohybu a deseti letech reálných tržních dat. BOCD dosahuje umírněné přesnosti (20% detekovaných sku- tečných zlomů), přičemž při konstrukci portfolia překonává strategie nakup-a-drž o víc jak 50%. HMM rovněž překonávají strategii nakup-a-drž (o 30%), ale zaostávají za BOCD metodami. V práci spojíme inferenci bodů zlomu s optimalizací portfolia a ukazujeme, že i neperfektní detekce bodů zlomu může generovat robustní obchodní signály.