Bedingte GANs zur Anpassung und Kombination von Handelsstrategien nutzen

Zusammenfassung

Diese Arbeit schlägt bedingte generative adversarielle Netzwerke vor, um einzelne Handelsstrategien zu kalibrieren und ihre Signale zu kombinieren. Sie beschreibt einen Ablauf zum Trainieren und Auswählen eines cGAN für Zeitreihendaten, bei dem generierte Stichproben zur Anpassung von Strategien und die Gesamtheit der Stichproben für die Ensemblemodellierung genutzt werden. Ziel ist es, Strategieeinstellungen zu verbessern oder schwächere Signale zu einem Ansatz auf Portfolioebene zusammenzufassen.

Die Autoren bewerten die Methode mit mehreren Handelsstrategien über 579 Vermögenswerte hinweg und vergleichen sie mit einem Ensembleansatz und Zeitreihen-Validierungsmethoden. Sie berichten, dass cGANs eine geeignete Alternative sein können und besser abschneiden, wenn herkömmliche Techniken kein Alpha hervorbringen. Die Zusammenfassung nennt weder die Vermögenswerte noch den Auswertungszeitraum, die Handelskosten oder Robustheitsprüfungen und bietet daher nur begrenzte Einzelheiten zur Beurteilung der Verallgemeinerbarkeit oder Umsetzung. Die Belege sind experimenteller Art und sollten im Rahmen des getesteten Aufbaus interpretiert werden.

Kernaussagen

• Bedingte GANs werden zur Strategie-Kalibrierung und Signalaggregation vorgeschlagen.
• Der Ablauf umfasst das Training und die Auswahl von cGANs für Zeitreihendaten.
• Generierte Stichproben werden sowohl zur Anpassung von Strategien als auch für den Aufbau eines Ensembles verwendet.
• Das Experiment umfasst mehrere Strategien und 579 Vermögenswerte sowie Zeitreihenvergleiche.
• Die berichteten Ergebnisse deuten auf einen Vorteil hin, wenn herkömmliche Methoden kein Alpha finden.

Schlagwörter

# Generative Adversarial Networks for Financial Trading Strategies Fine-Tuning and Combination


# Generative Adversarial Networks for Financial Trading Strategies Fine-Tuning and Combination









Systematic trading strategies are algorithmic procedures that allocate assets aiming to optimize a certain performance criterion. To obtain an edge in a highly competitive environment, the analyst needs to proper fine-tune its strategy, or discover how to combine weak signals in novel alpha creating manners. Both aspects, namely fine-tuning and combination, have been extensively researched using several methods, but emerging techniques such as Generative Adversarial Networks can have an impact into such aspects. Therefore, our work proposes the use of Conditional Generative Adversarial Networks (cGANs) for trading strategies calibration and aggregation. To this purpose, we provide a full methodology on: (i) the training and selection of a cGAN for time series data; (ii) how each sample is used for strategies calibration; and (iii) how all generated samples can be used for ensemble modelling. To provide evidence that our approach is well grounded, we have designed an experiment with multiple trading strategies, encompassing 579 assets. We compared cGAN with an ensemble scheme and model validation methods, both suited for time series. Our results suggest that cGANs are a suitable alternative for strategies calibration and combination, providing outperformance when the traditional techniques fail to generate any alpha.

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.