Mit GAN-generierten Kurspfaden Handelsstrategien testen

Zusammenfassung

Das Dokument schlägt vor, generative adversarielle Netzwerke mit LSTMs zu verwenden, um synthetische historische Kurspfade zur Bewertung von Handelsstrategien zu erzeugen. Ausgangspunkt ist, dass eine aufgrund starker In-Sample-Performance ausgewählte Strategie überangepasst sein kann. Daher sollte sie auch auf Pfaden gut abschneiden, die aus einem Modell der historischen Datenverteilung stammen.

Der vorgeschlagene Ablauf passt die Zeitreihenverteilung mit dem Modell GAN-LSTM an und backtestet anschließend mögliche Strategien auf den generierten Pfaden, um zusätzlich auf Überanpassung zu prüfen. Der Text stellt dies als Methodenvorschlag dar, enthält aber keine experimentellen Ergebnisse, Umsetzungsdetails oder Vergleiche mit anderen Validierungstechniken. Es handelt sich um eine übersetzte Zusammenfassung einer ursprünglich auf Chinesisch verfassten Abschlussarbeit aus dem Jahr 2018; das Dokument weist selbst darauf hin, dass einige Aussagen möglicherweise veraltet sind.

Kernaussagen

• Eine starke In-Sample-Performance allein kann zur Auswahl einer überangepassten Handelsstrategie führen.
• Ein GAN in Verbindung mit einem LSTM wird vorgeschlagen, um die historische Zeitreihenverteilung zu erlernen.
• Synthetische Pfade aus dem angepassten Modell liefern zusätzliche Backtesting-Daten zur Strategiebewertung.
• Das Dokument berichtet keine Ergebnisse und enthält keine detaillierte Validierung des Ansatzes.

Schlagwörter

# Backtesting Trading Strategies with GAN To Avoid Overfitting


# Backtesting Trading Strategies with GAN To Avoid Overfitting









Many works have shown the overfitting hazard of selecting a trading strategy based only on good IS (in sample) performance. But most of them have merely shown such phenomena exist without offering ways to avoid them. We propose an approach to avoid overfitting: A good (meaning non-overfitting) trading strategy should still work well on paths generated in accordance with the distribution of the historical data. We use GAN with LSTM to learn or fit the distribution of the historical time series . Then trading strategies are backtested by the paths generated by GAN to avoid overfitting.(This paper is an tanslated English version of a thesis (10.6342/NTU201801645) which was originally written in Chinese in 2018, where some statements and claims are outdated in 2022)

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.