استخدام مسارات أسعار مولدة بـ GAN لاختبار استراتيجيات التداول

الملخص

تقترح الوثيقة استخدام شبكات الخصومة التوليدية مع شبكات الذاكرة طويلة قصيرة الأمد لإنشاء مسارات أسعار تاريخية اصطناعية لتقييم استراتيجيات التداول. وتنطلق من أن الاستراتيجية المختارة لأدائها القوي داخل العينة قد تكون مفرطة في الملاءمة؛ لذلك ينبغي أن تحقق أداءً جيدًا أيضًا على مسارات مسحوبة من نموذج لتوزيع البيانات التاريخية.

تلائم آلية العمل المقترحة توزيع السلاسل الزمنية باستخدام نموذج GAN-LSTM، ثم تجري اختبارًا تاريخيًا للاستراتيجيات المرشحة على المسارات المولدة كفحص إضافي للحد من فرط الملاءمة. ويعرض النص ذلك بوصفه اقتراحًا منهجيًا، لكنه لا يقدم نتائج تجريبية أو تفاصيل تنفيذ أو مقارنة بأساليب تحقق أخرى. وهذا ملخص مترجم لأطروحة كُتبت أصلًا بالصينية في 2018؛ وتحذر الوثيقة نفسها من أن بعض الادعاءات قد تكون قديمة.

الأفكار الرئيسية

• قد يؤدي الاعتماد على الأداء القوي داخل العينة وحده إلى اختيار استراتيجية تداول مفرطة في الملاءمة.
• يُقترح الجمع بين GAN وLSTM لتعلم توزيع السلاسل الزمنية التاريخية.
• توفر المسارات الاصطناعية من النموذج الملائم بيانات إضافية للاختبار التاريخي وتقييم الاستراتيجية.
• لا تقدم الوثيقة نتائج معلنة أو تحققًا مفصلًا من النهج.

الوسوم

# Backtesting Trading Strategies with GAN To Avoid Overfitting


# Backtesting Trading Strategies with GAN To Avoid Overfitting









Many works have shown the overfitting hazard of selecting a trading strategy based only on good IS (in sample) performance. But most of them have merely shown such phenomena exist without offering ways to avoid them. We propose an approach to avoid overfitting: A good (meaning non-overfitting) trading strategy should still work well on paths generated in accordance with the distribution of the historical data. We use GAN with LSTM to learn or fit the distribution of the historical time series . Then trading strategies are backtested by the paths generated by GAN to avoid overfitting.(This paper is an tanslated English version of a thesis (10.6342/NTU201801645) which was originally written in Chinese in 2018, where some statements and claims are outdated in 2022)

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.