Optimización bayesiana para estrategias de trading adaptativas no estacionarias

Resumen

Este artículo plantea el trading automatizado en condiciones de mercado cambiantes como un problema no estacionario de bandido con un continuo de brazos. Propone PRBO, que combina la optimización bayesiana con un enfoque de bandido sobre bandido para ajustar los parámetros de la estrategia a medida que cambian las condiciones. El método se evalúa en la simulación de la Bolsa de Bristol, donde agentes automatizados con estrategias heterogéneas pueblan el mercado. Su referencia es PRSH, una estrategia que adapta los parámetros mediante ascenso estocástico por colinas.

Los resultados comunicados de la simulación muestran que PRBO obtiene beneficios significativamente mayores que PRSH y requiere ajustar menos hiperparámetros. Esto sugiere una posible ventaja de la optimización bayesiana en la configuración de trading adaptativo evaluada. Sin embargo, la descripción proporcionada no incluye rendimientos absolutos, estimaciones de incertidumbre ni detalles sobre los escenarios de mercado y los ajustes de parámetros. La evidencia se limita a la comparación simulada indicada, por lo que no demuestra que PRBO vaya a superar a otros en mercados reales ni con otras referencias y condiciones.

Ideas clave

• El artículo modela la adaptación de los parámetros de trading a condiciones cambiantes como un problema no estacionario de bandido con un continuo de brazos.
• PRBO utiliza optimización bayesiana dentro de un marco de bandido sobre bandido para ajustar los parámetros de la estrategia.
• La evaluación utiliza la simulación de la Bolsa de Bristol con agentes automatizados heterogéneos.
• PRBO se compara con PRSH, que adapta los parámetros mediante ascenso estocástico por colinas.
• En la simulación comunicada, PRBO obtiene beneficios significativamente mayores y requiere ajustar menos hiperparámetros.
• El fragmento no demuestra el rendimiento en mercados reales ni con otras referencias.

Etiquetas

# Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market


# Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market









We approach the problem of designing an automated trading strategy that can consistently profit by adapting to changing market conditions. This challenge can be framed as a Nonstationary Continuum-Armed Bandit (NCAB) problem. To solve the NCAB problem, we propose PRBO, a novel trading algorithm that uses Bayesian optimization and a ``bandit-over-bandit'' framework to dynamically adjust strategy parameters in response to market conditions. We use Bristol Stock Exchange (BSE) to simulate financial markets containing heterogeneous populations of automated trading agents and compare PRBO with PRSH, a reference trading strategy that adapts strategy parameters through stochastic hill-climbing. Results show that PRBO generates significantly more profit than PRSH, despite having fewer hyperparameters to tune. The code for PRBO and performing experiments is available online open-source (https://github.com/HarmoniaLeo/PRZI-Bayesian-Optimisation).

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.