Evaluación más exhaustiva de estrategias de trading simples frente a traders de AI

Resumen

El artículo cuestiona las afirmaciones publicadas sobre agentes de trading de AI y aprendizaje automático. Sostiene que algunas evaluaciones anteriores se basaron en pocas sesiones de prueba y escenarios de mercado, y que aportaban pruebas insuficientes para juzgar con fiabilidad el rendimiento de los agentes. Para abordar este problema, los autores informan de pruebas realizadas con amplios rangos de parámetros y muchas sesiones mediante computación en la nube en paralelo, lo que generó un volumen mayor de resultados experimentales.

Según el documento, las estrategias simples sin AI ni aprendizaje automático superan habitualmente a algunas estrategias de negociación de agentes de AI o aprendizaje automático de dominio público procedentes de la literatura de investigación. La lección propuesta es metodológica: las comparaciones requieren una evaluación extensa en distintos parámetros y condiciones de mercado, y los modelos sofisticados deben probarse frente a referencias simples. El fragmento no identifica las reglas de las estrategias, los mercados, las métricas de rendimiento ni los agentes específicos de AI, por lo que sus hallazgos no se pueden evaluar de forma independiente ni convertir, solo a partir de este texto, en un sistema de negociación desplegable. Los resultados comunicados se refieren a los agentes de investigación y contextos evaluados; no demuestran que las estrategias simples superen generalmente a los enfoques basados en AI en mercados reales.

Ideas clave

• El artículo pregunta si las evaluaciones anteriores de agentes de trading de AI probaron suficientes sesiones y escenarios de mercado.
• Los autores informan de pruebas extensas en amplios rangos de parámetros mediante computación en paralelo.
• En las pruebas comunicadas, algunas estrategias simples sin AI superaron a estrategias de negociación publicadas en la literatura para agentes de AI y aprendizaje automático.
• Los modelos de referencia simples pueden ayudar a determinar si un método de negociación complejo aporta valor.
• El fragmento omite detalles de las estrategias, los mercados y las métricas, así como pruebas necesarias para evaluar el rendimiento en mercados reales.

Etiquetas

# Methods Matter: A Trading Agent with No Intelligence Routinely Outperforms AI-Based Traders


# Methods Matter: A Trading Agent with No Intelligence Routinely Outperforms AI-Based Traders









There's a long tradition of research using computational intelligence (methods from artificial intelligence (AI) and machine learning (ML)), to automatically discover, implement, and fine-tune strategies for autonomous adaptive automated trading in financial markets, with a sequence of research papers on this topic published at AI conferences such as IJCAI and in journals such as Artificial Intelligence: we show here that this strand of research has taken a number of methodological mis-steps and that actually some of the reportedly best-performing public-domain AI/ML trading strategies can routinely be out-performed by extremely simple trading strategies that involve no AI or ML at all. The results that we highlight here could easily have been revealed at the time that the relevant key papers were published, more than a decade ago, but the accepted methodology at the time of those publications involved a somewhat minimal approach to experimental evaluation of trader-agents, making claims on the basis of a few thousand test-sessions of the trader-agent in a small number of market scenarios. In this paper we present results from exhaustive testing over wide ranges of parameter values, using parallel cloud-computing facilities, where we conduct millions of tests and thereby create much richer data from which firmer conclusions can be drawn. We show that the best public-domain AI/ML traders in the published literature can be routinely outperformed by a "sub-zero-intelligence" trading strategy that at face value appears to be so simple as to be financially ruinous, but which interacts with the market in such a way that in practice it is more profitable than the well-known AI/ML strategies from the research literature. That such a simple strategy can outperform established AI/ML-based strategies is a sign that perhaps the AI/ML trading strategies were good answers to the wrong question.

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.