Uso de GAN condicionales para ajustar y combinar estrategias de trading

Resumen

Este artículo propone redes generativas antagónicas condicionales para calibrar estrategias de trading individuales y combinar sus señales. Presenta un flujo de trabajo para entrenar y seleccionar una GAN condicional para datos de series temporales, utilizar muestras generadas para ajustar estrategias y emplear el conjunto de muestras en modelos combinados. El objetivo es mejorar la configuración de las estrategias o agregar señales más débiles en un enfoque a nivel de cartera.

Los autores evalúan el método con varias estrategias de trading en 579 activos y lo comparan con un enfoque de conjunto y métodos de validación de series temporales. Informan de que las GAN condicionales pueden ser una alternativa adecuada y que superan a otros métodos cuando las técnicas tradicionales no consiguen generar alfa. El resumen no identifica los activos, el periodo de evaluación, los costes de transacción ni las comprobaciones de robustez, por lo que ofrece pocos detalles para valorar la generalización o la implementación. La evidencia es experimental y debe interpretarse dentro del contexto probado.

Ideas clave

• Se proponen GAN condicionales para calibrar estrategias y agregar señales.
• El flujo de trabajo abarca el entrenamiento y la selección de GAN condicionales para datos de series temporales.
• Las muestras generadas se utilizan tanto para ajustar estrategias como para crear un conjunto de modelos.
• El experimento abarca varias estrategias y 579 activos, con comparaciones de series temporales.
• Los resultados comunicados apuntan a una ventaja cuando los métodos tradicionales no encuentran alfa.

Etiquetas

# Generative Adversarial Networks for Financial Trading Strategies Fine-Tuning and Combination


# Generative Adversarial Networks for Financial Trading Strategies Fine-Tuning and Combination









Systematic trading strategies are algorithmic procedures that allocate assets aiming to optimize a certain performance criterion. To obtain an edge in a highly competitive environment, the analyst needs to proper fine-tune its strategy, or discover how to combine weak signals in novel alpha creating manners. Both aspects, namely fine-tuning and combination, have been extensively researched using several methods, but emerging techniques such as Generative Adversarial Networks can have an impact into such aspects. Therefore, our work proposes the use of Conditional Generative Adversarial Networks (cGANs) for trading strategies calibration and aggregation. To this purpose, we provide a full methodology on: (i) the training and selection of a cGAN for time series data; (ii) how each sample is used for strategies calibration; and (iii) how all generated samples can be used for ensemble modelling. To provide evidence that our approach is well grounded, we have designed an experiment with multiple trading strategies, encompassing 579 assets. We compared cGAN with an ensemble scheme and model validation methods, both suited for time series. Our results suggest that cGANs are a suitable alternative for strategies calibration and combination, providing outperformance when the traditional techniques fail to generate any alpha.

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.