Bayessche Optimierung für adaptive, nichtstationäre Handelsstrategien

Zusammenfassung

Dieses Paper fasst automatisiertes Trading unter wechselnden Marktbedingungen als nichtstationäres Banditenproblem mit kontinuierlichem Aktionsraum auf. Es schlägt PRBO vor, das bayessche Optimierung mit einem Banditen-über-Banditen-Ansatz kombiniert, um Strategieparameter an veränderte Bedingungen anzupassen. Die Methode wird in der Simulation der Bristol Stock Exchange ausgewertet, in der automatisierte Agenten mit unterschiedlichen Strategien den Markt bevölkern. Als Benchmark dient PRSH, eine Strategie, die Parameter mithilfe stochastischen Hill-Climbings anpasst.

Den berichteten Simulationsergebnissen zufolge erzielt PRBO deutlich mehr Gewinn als PRSH und benötigt zugleich weniger abzustimmende Hyperparameter. Dies deutet auf einen möglichen Vorteil bayesscher Optimierung im getesteten adaptiven Trading-Ansatz hin. Die vorliegende Beschreibung enthält jedoch weder absolute Renditen noch Unsicherheitsschätzungen oder Einzelheiten zu Marktszenarien und Parametereinstellungen. Die Evidenz beschränkt sich auf den beschriebenen Simulationsvergleich und belegt daher nicht, dass PRBO im Live-Trading oder bei anderen Benchmarks und Bedingungen überlegen sein wird.

Kernaussagen

• Das Paper modelliert die Anpassung von Handelsparametern an wechselnde Bedingungen als nichtstationäres Banditenproblem mit kontinuierlichem Aktionsraum.
• PRBO nutzt bayessche Optimierung in einem Banditen-über-Banditen-Ansatz, um Strategieparameter anzupassen.
• Die Auswertung erfolgt in der Simulation der Bristol Stock Exchange mit heterogenen automatisierten Agenten.
• PRBO wird mit PRSH verglichen, das Parameter durch stochastisches Hill-Climbing anpasst.
• Laut Simulation erzielt PRBO deutlich höhere Gewinne und benötigt weniger abzustimmende Hyperparameter.
• Der Auszug belegt keine Ergebnisse im Live-Trading oder bei anderen Benchmarks.

Schlagwörter

# Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market


# Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market









We approach the problem of designing an automated trading strategy that can consistently profit by adapting to changing market conditions. This challenge can be framed as a Nonstationary Continuum-Armed Bandit (NCAB) problem. To solve the NCAB problem, we propose PRBO, a novel trading algorithm that uses Bayesian optimization and a ``bandit-over-bandit'' framework to dynamically adjust strategy parameters in response to market conditions. We use Bristol Stock Exchange (BSE) to simulate financial markets containing heterogeneous populations of automated trading agents and compare PRBO with PRSH, a reference trading strategy that adapts strategy parameters through stochastic hill-climbing. Results show that PRBO generates significantly more profit than PRSH, despite having fewer hyperparameters to tune. The code for PRBO and performing experiments is available online open-source (https://github.com/HarmoniaLeo/PRZI-Bayesian-Optimisation).

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.