"Carry-informed" FX pair trading using machine learning

Abstract

This thesis studies and compares three systematic FX strategies: (i) a cross-sectional carry sleeve that combines spot moves with daily interest accrual from policy-rate differentials, (ii) a simple SMA momentum rule (42/252), and (iii) a relative-value machine-learning approach (Spread-ML) that trades price pairs only when cointegration is statistically supported. The backtest spans 2015–2025 across six USD crosses, uses daily rebalancing, a one-day execution lag, and the 3-month U.S. T-bill as the risk-free leg for annualized Sharpe computation. Methodologically, we apply a 90-business-day rolling Engle–Granger filter on log prices, estimate a contemporaneous OLS hedge ratio to construct the spread, and train a rolling classifier that outputs {-1,0,+1} signals on daily spread changes. Out-of-sample results indicate that Spread-ML delivers the strongest risk-adjusted profile (Sharpe near one with moderate drawdowns), carry is modestly positive, while SMA underperforms in sideways markets. Returns are reported gross of transaction costs; costs would compress net performance, especially for momentum. The contribution is a transparent, econometrically grounded trading pipeline that blends macro information, regime gating, and lightweight ML.Η παρούσα διατριβή μελετά και συγκρίνει τρεις συστηματικές στρατηγικές στο συνάλλαγμα: (i) ένα διατομεακό carry που συνδυάζει μεταβολές spot με ημερήσιο τόκο από διαφοροποιήσεις επιτοκίων, (ii) έναν απλό κανόνα ορμής SMA (42/252), και (iii) μια σχετικιστική προσέγγιση μηχανικής μάθησης (Spread-ML) που διαπραγματεύεται ζεύγη τιμών μόνο όταν υπάρχει τεκμηριωμένη συνενολοκλήρωση. Η ανάλυση καλύπτει την περίοδο 2015–2025 για έξι κύρια ζεύγη USD, με ημερήσια ανακατανομή, υστέρηση εκτέλεσης μίας ημέρας και χρήση του τρίμηνου εντόκου γραμματίου των ΗΠΑ ως άτοκου επιτοκίου για τον υπολογισμό του ετησιοποιημένου δείκτη Sharpe. Μεθοδολογικά, εφαρμόζεται κυλιόμενο φίλτρο Engle–Granger 90 εργάσιμων ημερών στους λογαρίθμους τιμών, εκτιμάται σύγχρονος συντελεστής αντιστάθμισης μέσω OLS για τη δημιουργία spread, και εκπαιδεύεται κυλιόμενος ταξινομητής που παράγει σήματα {-1,0,+1} στις ημερήσιες μεταβολές του spread. Τα αποτελέσματα, αυστηρά εκτός δείγματος, δείχνουν ότι το Spread-ML παρουσιάζει την ισχυρότερη προσαρμοσμένη στον κίνδυνο επίδοση (Sharpe κοντά στη μονάδα και μετριοπαθείς υποχωρήσεις), το carry είναι θετικό αλλά μέτριο, ενώ το SMA υστερεί σε πλάγιες αγορές. Οι αποδόσεις παρουσιάζονται προ κόστους∙ τα κόστη συναλλαγών αναμένεται να μειώσουν ιδίως την επίδοση της ορμής. Η συμβολή της εργασίας είναι ένας απλός, οικονομετρικά τεκμηριωμένος αγωγός λήψης θέσεων, που συνδυάζει μακροοικονομική πληροφορία με φιλτράρισμα καθεστώτων και ελαφριά μηχανική μάθηση.