Selección de estrategias de trading con pruebas prospectivas de redes neuronales | Stratmill

Resumen

El artículo propone un proceso de selección de estrategias llamado DNN-forwardtesting. En lugar de elegir una estrategia de trading basándose solo en sus resultados con precios históricos, primero pronostica una posible trayectoria futura de precios con una red neuronal profunda de propagación hacia delante y evalúa indicadores técnicos sobre esas predicciones. Después, el indicador seleccionado guía las operaciones en el mercado futuro real. El flujo de trabajo descrito incluye un análisis exploratorio de diez valores, un procedimiento de volatilidad basado en k-means y el entrenamiento con un conjunto restringido de activos con un coeficiente de volatilidad compartido para pronosticar los precios de los próximos 30 días.

Los autores afirman que los pronósticos de la red neuronal superan a las técnicas estadísticas clásicas y que las estrategias elegidas mediante el proceso basado en pronósticos mejoran la esperanza matemática y los ratios de Sharpe, Sortino y Calmar frente a la selección mediante backtest tradicional. La descripción proporcionada no especifica los valores, las métricas de precisión de los pronósticos, los detalles de implementación ni el periodo de evaluación. Por tanto, los resultados son afirmaciones del resumen del artículo y no demuestran que el método se generalice a distintos activos o condiciones de pronóstico.

Ideas clave

• El método selecciona una estrategia de trading aplicando indicadores técnicos a pronósticos de precios de una red neuronal.
• Un procedimiento basado en k-means agrupa los valores por volatilidad antes del entrenamiento del modelo.
• La red de propagación hacia delante descrita pronostica precios de acciones con 30 días de antelación.
• Los autores afirman que los pronósticos superan a las técnicas estadísticas clásicas.
• También reportan mejores métricas de riesgo y retorno que la selección de estrategias mediante backtesting tradicional.

Etiquetas

# DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks


# DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks









In general, traders test their trading strategies by applying them on the historical market data (backtesting), and then apply to the future trades the strategy that achieved the maximum profit on such past data. In this paper, we propose a new trading strategy, called DNN-forwardtesting, that determines the strategy to apply by testing it on the possible future predicted by a deep neural network that has been designed to perform stock price forecasts and trained with the market historical data. In order to generate such an historical dataset, we first perform an exploratory data analysis on a set of ten securities and, in particular, analize their volatility through a novel k-means-based procedure. Then, we restrict the dataset to a small number of assets with the same volatility coefficient and use such data to train a deep feed-forward neural network that forecasts the prices for the next 30 days of open stocks market. Finally, our trading system calculates the most effective technical indicator by applying it to the DNNs predictions and uses such indicator to guide its trades. The results confirm that neural networks outperform classical statistical techniques when performing such forecasts, and their predictions allow to select a trading strategy that, when applied to the real future, increases Expectancy, Sharpe, Sortino, and Calmar ratios with respect to the strategy selected through traditional backtesting.

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.