Der GT-Score gegen Overfitting bei der Trading-Strategieoptimierung

Zusammenfassung

Dieses Dokument stellt den GT-Score vor, eine kombinierte Zielfunktion zur Optimierung datengestützter Handelsstrategien. Er verbindet Kennzahlen zu Performance, statistischer Signifikanz, Konsistenz und Abwärtsrisiko, um Lösungen zu vermeiden, die zu stark an historische Daten angepasst sind. Hintergrund ist, dass wiederholte Tests scheinbare Muster hervorbringen können und herkömmliche statistische Schlussfolgerungen bei nicht normalverteilten Renditen unzuverlässig sein können.

Die empirische Studie verwendet historische Daten von 50 S&P-500-Unternehmen aus den Jahren 2010 bis 2024. Sie wertet drei Strategien mit neun aufeinanderfolgenden Walk-Forward-Splits sowie eine Monte-Carlo-Studie mit 15 Zufalls-Seeds aus. Die Autoren berichten, dass der GT-Score ein höheres Verhältnis von Validierungs- zu Trainingsrendite erzielt als die Basis-Zielfunktionen. Paarweise Tests zeigen messbare Unterschiede gegenüber den Zielfunktionen Sortino und Simple, jedoch mit kleinen Effektstärken. Die Ergebnisse sprechen für eine weitere Untersuchung der Zielfunktion, beschränken sich aber auf die genannten Aktien, Strategien und das Evaluierungsdesign. Ein besseres Verhältnis von Generalisierung zu Trainingsleistung garantiert allein keinen profitablen Einsatz und beseitigt nicht alle Modell- und Ausführungsrisiken.

Kernaussagen

• Der GT-Score kombiniert Kennzahlen zu Performance, Signifikanz, Konsistenz und Abwärtsrisiko.
• Sein Design zielt auf Data Snooping und unzuverlässige Schlussfolgerungen bei nicht normalverteilten Renditen ab.
• Die Evaluierung nutzt Walk-Forward-Validierung und eine Monte-Carlo-Studie mit drei Strategien.
• Die berichteten Unterschiede weisen kleine Effektstärken auf; die Nachweise umfassen nur eine begrenzte historische Stichprobe.

Schlagwörter

# The GT-Score: A Robust Objective Function for Reducing Overfitting in Data-Driven Trading Strategies


# The GT-Score: A Robust Objective Function for Reducing Overfitting in Data-Driven Trading Strategies









Overfitting remains a critical challenge in data-driven financial modeling, where machine learning (ML) systems learn spurious patterns in historical prices and fail out of sample and in deployment. This paper introduces the GT-Score, a composite objective function that integrates performance, statistical significance, consistency, and downside risk to guide optimization toward more robust trading strategies. This approach directly addresses critical pitfalls in quantitative strategy development, specifically data snooping during optimization and the unreliability of statistical inference under non-normal return distributions. Using historical stock data for 50 S&P 500 companies spanning 2010-2024, we conduct an empirical evaluation that includes walk-forward validation with nine sequential time splits and a Monte Carlo study with 15 random seeds across three trading strategies. In walk-forward validation, GT-Score improves the generalization ratio (validation return divided by training return) by 98% relative to baseline objective functions. Paired statistical tests on Monte Carlo out-of-sample returns indicate statistically detectable differences between objective functions (p < 0.01 for comparisons with Sortino and Simple), with small effect sizes. These results suggest that embedding an anti-overfitting structure into the objective can improve the reliability of backtests in quantitative research. Reproducible code and processed result files are provided as supplementary materials.

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.