Einfache Handelsstrategien gründlicher mit AI-Tradern vergleichen

Zusammenfassung

Die Arbeit stellt veröffentlichte Behauptungen zu AI- und Machine-Learning-Handelsagenten infrage. Sie argumentiert, dass manche früheren Bewertungen auf einer begrenzten Zahl von Testsitzungen und Marktszenarien beruhten und daher zu wenig Evidenz für eine zuverlässige Beurteilung der Agentenleistung lieferten. Die Autoren berichten, dass sie zur Verbesserung der Evidenz mit parallelem Cloud Computing über breite Parameterbereiche und viele Sitzungen hinweg testeten und so eine größere Menge experimenteller Ergebnisse erzeugten.

Laut dem Dokument übertreffen einfache Strategien ohne AI oder maschinelles Lernen regelmäßig einige öffentlich zugängliche AI- oder Machine-Learning-Trader aus der Forschungsliteratur. Die methodische Lehre daraus: Vergleiche erfordern eine umfassende Bewertung über verschiedene Parameter und Marktbedingungen hinweg, und ein anspruchsvolles Modell sollte an einfachen Baselines gemessen werden. Der Auszug nennt weder die Strategieregeln noch die Märkte, Leistungskennzahlen oder bestimmte AI-Agenten. Daher lassen sich die Ergebnisse anhand dieses Textes weder unabhängig beurteilen noch in ein einsetzbares Handelssystem übertragen. Die berichteten Ergebnisse beziehen sich auf die getesteten Forschungsagenten und Rahmenbedingungen; sie belegen nicht, dass einfache Strategien AI-basierte Ansätze an Live-Märkten generell übertreffen.

Kernaussagen

• Die Arbeit stellt infrage, ob frühere Bewertungen von AI-Handelsagenten genügend Sitzungen und Marktszenarien umfassten.
• Die Autoren berichten von umfangreichen Tests über breite Parameterbereiche mit parallelem Computing.
• In den berichteten Tests übertrafen einige einfache Strategien ohne AI veröffentlichte AI- und Machine-Learning-Trader.
• Einfache Baselines können zeigen, ob eine komplexe Handelsmethode einen Mehrwert bietet.
• Im Auszug fehlen Strategiedetails, Märkte, Kennzahlen und Belege zur Beurteilung der Live-Performance.

Schlagwörter

# Methods Matter: A Trading Agent with No Intelligence Routinely Outperforms AI-Based Traders


# Methods Matter: A Trading Agent with No Intelligence Routinely Outperforms AI-Based Traders









There's a long tradition of research using computational intelligence (methods from artificial intelligence (AI) and machine learning (ML)), to automatically discover, implement, and fine-tune strategies for autonomous adaptive automated trading in financial markets, with a sequence of research papers on this topic published at AI conferences such as IJCAI and in journals such as Artificial Intelligence: we show here that this strand of research has taken a number of methodological mis-steps and that actually some of the reportedly best-performing public-domain AI/ML trading strategies can routinely be out-performed by extremely simple trading strategies that involve no AI or ML at all. The results that we highlight here could easily have been revealed at the time that the relevant key papers were published, more than a decade ago, but the accepted methodology at the time of those publications involved a somewhat minimal approach to experimental evaluation of trader-agents, making claims on the basis of a few thousand test-sessions of the trader-agent in a small number of market scenarios. In this paper we present results from exhaustive testing over wide ranges of parameter values, using parallel cloud-computing facilities, where we conduct millions of tests and thereby create much richer data from which firmer conclusions can be drawn. We show that the best public-domain AI/ML traders in the published literature can be routinely outperformed by a "sub-zero-intelligence" trading strategy that at face value appears to be so simple as to be financially ruinous, but which interacts with the market in such a way that in practice it is more profitable than the well-known AI/ML strategies from the research literature. That such a simple strategy can outperform established AI/ML-based strategies is a sign that perhaps the AI/ML trading strategies were good answers to the wrong question.

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.