Trading-Strategien mit neuronalen Netzen per Forwardtest auswählen

Zusammenfassung

Die Arbeit schlägt ein Verfahren zur Auswahl von Strategien namens DNN-Forwardtesting vor. Statt eine Handelsstrategie allein anhand ihrer Ergebnisse mit historischen Kursen auszuwählen, prognostiziert das Verfahren zunächst einen möglichen künftigen Kursverlauf mit einem tiefen Feedforward-Neuronalen Netz und wertet technische Indikatoren anhand dieser Prognosen aus. Der ausgewählte Indikator steuert anschließend Trades am tatsächlichen künftigen Markt. Der beschriebene Ablauf umfasst eine explorative Analyse von zehn Wertpapieren, ein auf k-Means basierendes Volatilitätsverfahren und das Training mit einer beschränkten Auswahl von Assets mit gemeinsamem Volatilitätskoeffizienten, um Kurse für die nächsten 30 Tage zu prognostizieren.

Die Autoren berichten, dass Prognosen neuronaler Netze klassische statistische Verfahren übertreffen und dass mit dem prognosebasierten Verfahren ausgewählte Strategien im Vergleich zur traditionellen Auswahl anhand von Backtests bessere Kennzahlen für Erwartungswert, Sharpe, Sortino und Calmar erzielen. Die vorliegende Beschreibung nennt weder die Wertpapiere noch Prognosegenauigkeitsmaße, Implementierungsdetails oder den Bewertungszeitraum. Die Ergebnisse sind daher Aussagen aus der Zusammenfassung der Arbeit und belegen nicht, dass sich die Methode auf andere Assets oder Prognosebedingungen übertragen lässt.

Kernaussagen

• Die Methode wählt eine Handelsstrategie anhand technischer Indikatoren aus, die auf Kursprognosen eines neuronalen Netzes angewendet werden.
• Ein auf k-Means basierendes Verfahren gruppiert Wertpapiere vor dem Modelltraining nach ihrer Volatilität.
• Das beschriebene Feedforward-Netz prognostiziert Aktienkurse 30 Tage im Voraus.
• Die Autoren berichten eine bessere Prognoseleistung als mit klassischen statistischen Verfahren.
• Außerdem berichten sie bessere Risiko- und Renditekennzahlen als bei der Strategieauswahl anhand traditioneller Backtests.

Schlagwörter

# DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks


# DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks









In general, traders test their trading strategies by applying them on the historical market data (backtesting), and then apply to the future trades the strategy that achieved the maximum profit on such past data. In this paper, we propose a new trading strategy, called DNN-forwardtesting, that determines the strategy to apply by testing it on the possible future predicted by a deep neural network that has been designed to perform stock price forecasts and trained with the market historical data. In order to generate such an historical dataset, we first perform an exploratory data analysis on a set of ten securities and, in particular, analize their volatility through a novel k-means-based procedure. Then, we restrict the dataset to a small number of assets with the same volatility coefficient and use such data to train a deep feed-forward neural network that forecasts the prices for the next 30 days of open stocks market. Finally, our trading system calculates the most effective technical indicator by applying it to the DNNs predictions and uses such indicator to guide its trades. The results confirm that neural networks outperform classical statistical techniques when performing such forecasts, and their predictions allow to select a trading strategy that, when applied to the real future, increases Expectancy, Sharpe, Sortino, and Calmar ratios with respect to the strategy selected through traditional backtesting.

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.