Trayectorias de precios con GAN para probar estrategias

Resumen

El documento propone usar redes generativas antagónicas con LSTM para crear trayectorias históricas sintéticas de precios y evaluar estrategias de trading. Parte de la premisa de que una estrategia seleccionada por su buen rendimiento dentro de la muestra puede estar sobreajustada y, por tanto, también debería funcionar bien en trayectorias extraídas de un modelo de la distribución histórica de los datos.

El flujo de trabajo propuesto ajusta la distribución de la serie temporal con el modelo GAN-LSTM y luego realiza un backtest de estrategias candidatas en las trayectorias generadas como comprobación adicional frente al sobreajuste. El texto presenta una propuesta metodológica, pero no aporta resultados experimentales, detalles de implementación ni comparaciones con otras técnicas de validación. Es un resumen traducido de una tesis escrita originalmente en chino en 2018; el propio documento advierte que algunas afirmaciones podrían estar desactualizadas.

Ideas clave

• Un buen rendimiento dentro de la muestra por sí solo puede llevar a seleccionar una estrategia de trading sobreajustada.
• Se propone combinar un GAN con un LSTM para aprender la distribución histórica de la serie temporal.
• Las trayectorias sintéticas del modelo ajustado aportan datos adicionales para el backtest y la evaluación de estrategias.
• El documento no presenta resultados ni una validación detallada del enfoque.

Etiquetas

# Backtesting Trading Strategies with GAN To Avoid Overfitting


# Backtesting Trading Strategies with GAN To Avoid Overfitting









Many works have shown the overfitting hazard of selecting a trading strategy based only on good IS (in sample) performance. But most of them have merely shown such phenomena exist without offering ways to avoid them. We propose an approach to avoid overfitting: A good (meaning non-overfitting) trading strategy should still work well on paths generated in accordance with the distribution of the historical data. We use GAN with LSTM to learn or fit the distribution of the historical time series . Then trading strategies are backtested by the paths generated by GAN to avoid overfitting.(This paper is an tanslated English version of a thesis (10.6342/NTU201801645) which was originally written in Chinese in 2018, where some statements and claims are outdated in 2022)

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.