Penalizaciones de covarianza para reducir el sobreajuste del backtest

Resumen

El artículo examina cómo la selección de estrategias basada en datos históricos puede producir estimaciones engañosas del rendimiento. Presenta una corrección mediante penalización de covarianza que reduce una métrica de riesgo para tener en cuenta el número de parámetros y la cantidad de datos utilizados en una estrategia de trading. Los autores sitúan este método junto a enfoques que abordan el sesgo por selección de datos, las estimaciones de rendimiento infladas y la evaluación mediante validación cruzada.

La investigación empírica compara enfoques de penalización de covarianza basados en mínimos cuadrados ordinarios y mínimos cuadrados totales en más de 1,300 activos. Los resultados presentados respaldan las penalizaciones de covarianza como forma de mitigar el sobreajuste del backtesting e indican un mejor rendimiento de los mínimos cuadrados totales que de los mínimos cuadrados ordinarios en el estudio. El documento no ofrece un desglose detallado de activos, medidas de rendimiento ni orientación para la implementación, así que no establece cómo se comportará la corrección con cada estrategia o conjunto de datos.

Ideas clave

• La selección de parámetros en un backtest puede hacer que el rendimiento histórico de una estrategia parezca más fiable de lo que es.
• Una penalización de covarianza ajusta una métrica de riesgo según los parámetros y los datos utilizados para desarrollar una estrategia.
• El estudio compara variantes de mínimos cuadrados ordinarios y totales en más de 1,300 activos.
• Los resultados presentados favorecen los mínimos cuadrados totales, aunque el resumen ofrece pocos detalles sobre las condiciones de evaluación.

Etiquetas

# 1905.05023


# Avoiding Backtesting Overfitting by Covariance-Penalties: an empirical investigation of the ordinary and total least squares cases









Systematic trading strategies are rule-based procedures which choose portfolios and allocate assets. In order to attain certain desired return profiles, quantitative strategists must determine a large array of trading parameters. Backtesting, the attempt to identify the appropriate parameters using historical data available, has been highly criticized due to the abundance of misleading results. Hence, there is an increasing interest in devising procedures for the assessment and comparison of strategies, that is, devising schemes for preventing what is known as backtesting overfitting. So far, many financial researchers have proposed different ways to tackle this problem that can be broadly categorised in three types: Data Snooping, Overestimated Performance, and Cross-Validation Evaluation. In this paper, we propose a new approach to dealing with financial overfitting, a Covariance-Penalty Correction, in which a risk metric is lowered given the number of parameters and data used to underpins a trading strategy. We outlined the foundation and main results behind the Covariance-Penalty correction for trading strategies. After that, we pursue an empirical investigation, comparing its performance with some other approaches in the realm of Covariance-Penalties across more than 1300 assets, using Ordinary and Total Least Squares. Our results suggest that Covariance-Penalties are a suitable procedure to avoid Backtesting Overfitting, and Total Least Squares provides superior performance when compared to Ordinary Least Squares.

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.