El GT-Score para reducir el sobreajuste al optimizar estrategias de trading

Resumen

Este documento presenta el GT-Score, un objetivo compuesto para optimizar estrategias de trading basadas en datos. Combina medidas de rendimiento, significación estadística, consistencia y riesgo bajista, con el fin de desincentivar elecciones demasiado ajustadas a los datos históricos. La motivación es que las pruebas repetidas pueden generar patrones espurios y que la inferencia estadística habitual puede no ser fiable cuando los rendimientos no siguen una distribución normal.

El estudio empírico utiliza datos históricos de 50 empresas del S&P 500 entre 2010 y 2024. Evalúa tres estrategias mediante nueve divisiones secuenciales walk-forward y un estudio de Monte Carlo con 15 semillas aleatorias. Los autores informan de un mayor ratio de rendimiento de validación frente al de entrenamiento con GT-Score que con objetivos de referencia, mientras que las pruebas pareadas detectan diferencias respecto a los objetivos Sortino y Simple con tamaños del efecto pequeños. Estos resultados justifican seguir estudiando el objetivo, pero las pruebas se limitan a las acciones, estrategias y diseño de evaluación indicados. Un mejor ratio de generalización por sí solo no garantiza una implementación rentable ni resuelve todas las fuentes de riesgo del modelo y de ejecución.

Ideas clave

• El GT-Score combina consideraciones sobre rendimiento, significación, consistencia y riesgo bajista.
• Su diseño aborda la búsqueda repetida de patrones y la debilidad de la inferencia con rendimientos no normales.
• La evaluación utiliza validación walk-forward y un estudio de Monte Carlo en tres estrategias.
• Las diferencias descritas incluyen tamaños del efecto pequeños, y las pruebas abarcan una muestra histórica limitada.

Etiquetas

# The GT-Score: A Robust Objective Function for Reducing Overfitting in Data-Driven Trading Strategies


# The GT-Score: A Robust Objective Function for Reducing Overfitting in Data-Driven Trading Strategies









Overfitting remains a critical challenge in data-driven financial modeling, where machine learning (ML) systems learn spurious patterns in historical prices and fail out of sample and in deployment. This paper introduces the GT-Score, a composite objective function that integrates performance, statistical significance, consistency, and downside risk to guide optimization toward more robust trading strategies. This approach directly addresses critical pitfalls in quantitative strategy development, specifically data snooping during optimization and the unreliability of statistical inference under non-normal return distributions. Using historical stock data for 50 S&P 500 companies spanning 2010-2024, we conduct an empirical evaluation that includes walk-forward validation with nine sequential time splits and a Monte Carlo study with 15 random seeds across three trading strategies. In walk-forward validation, GT-Score improves the generalization ratio (validation return divided by training return) by 98% relative to baseline objective functions. Paired statistical tests on Monte Carlo out-of-sample returns indicate statistically detectable differences between objective functions (p < 0.01 for comparisons with Sortino and Simple), with small effect sizes. These results suggest that embedding an anti-overfitting structure into the objective can improve the reliability of backtests in quantitative research. Reproducible code and processed result files are provided as supplementary materials.

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.