Kovarianzstrafen gegen Überanpassung im Backtest

Zusammenfassung

Die Arbeit untersucht, wie eine auf historischen Daten beruhende Strategieauswahl zu irreführenden Leistungsschätzungen führen kann. Sie stellt eine Korrektur mithilfe eines Kovarianzterms vor, die eine Risikokennzahl senkt, um die Anzahl der Parameter und die Datenmenge zu berücksichtigen, auf denen eine Handelsstrategie beruht. Die Autoren ordnen diese Methode neben Ansätzen zur Behandlung von Data Snooping, überhöhten Leistungsschätzungen und Bewertungen durch Kreuzvalidierung ein.

Die empirische Untersuchung vergleicht Ansätze mit Kovarianzstrafen auf Basis der gewöhnlichen und der totalen kleinsten Quadrate für mehr als 1,300 Vermögenswerte. Die berichteten Ergebnisse sprechen dafür, dass Kovarianzstrafen die Überanpassung beim Backtesting mindern können; in der Studie schneidet die Methode der totalen kleinsten Quadrate besser ab als die gewöhnliche Methode. Das Dokument enthält keine detaillierte Aufschlüsselung der Vermögenswerte, Leistungskennzahlen oder Umsetzungshinweise und zeigt daher nicht, wie sich die Korrektur bei jeder Strategie oder jedem Datensatz verhält.

Kernaussagen

• Die Parameterauswahl im Backtest kann die historische Strategieleistung verlässlicher erscheinen lassen, als sie ist.
• Eine Kovarianzstrafe passt eine Risikokennzahl an die Parameter und Daten an, die zur Entwicklung einer Strategie verwendet wurden.
• Die Studie vergleicht Varianten der gewöhnlichen und totalen kleinsten Quadrate für mehr als 1,300 Vermögenswerte.
• Die berichteten Ergebnisse sprechen für die Methode der totalen kleinsten Quadrate, doch die Zusammenfassung enthält nur begrenzte Angaben zu den Bewertungsbedingungen.

Schlagwörter

# 1905.05023


# Avoiding Backtesting Overfitting by Covariance-Penalties: an empirical investigation of the ordinary and total least squares cases









Systematic trading strategies are rule-based procedures which choose portfolios and allocate assets. In order to attain certain desired return profiles, quantitative strategists must determine a large array of trading parameters. Backtesting, the attempt to identify the appropriate parameters using historical data available, has been highly criticized due to the abundance of misleading results. Hence, there is an increasing interest in devising procedures for the assessment and comparison of strategies, that is, devising schemes for preventing what is known as backtesting overfitting. So far, many financial researchers have proposed different ways to tackle this problem that can be broadly categorised in three types: Data Snooping, Overestimated Performance, and Cross-Validation Evaluation. In this paper, we propose a new approach to dealing with financial overfitting, a Covariance-Penalty Correction, in which a risk metric is lowered given the number of parameters and data used to underpins a trading strategy. We outlined the foundation and main results behind the Covariance-Penalty correction for trading strategies. After that, we pursue an empirical investigation, comparing its performance with some other approaches in the realm of Covariance-Penalties across more than 1300 assets, using Ordinary and Total Least Squares. Our results suggest that Covariance-Penalties are a suitable procedure to avoid Backtesting Overfitting, and Total Least Squares provides superior performance when compared to Ordinary Least Squares.

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.