رفتن به محتوا
همه اسناد کتابخانه

ارزیابی دقیق‌تر استراتژی‌های ساده در برابر معامله‌گران AI

مقاله arXiv papers · نویسنده: Dave Cliff et al.

خلاصه

این مقاله ادعاهای منتشرشده درباره عامل‌های معاملاتی AI و یادگیری ماشین را به چالش می‌کشد. استدلال می‌کند برخی ارزیابی‌های پیشین به تعداد محدودی جلسه آزمون و سناریوی بازار متکی بودند و شواهد کافی برای قضاوت قابل‌اعتماد درباره عملکرد عامل‌ها فراهم نمی‌کردند. برای پرداختن به این مسئله، نویسندگان گزارش می‌کنند که با رایانش ابری موازی، آزمون‌هایی را در دامنه‌های گسترده پارامتر و جلسه‌های متعدد انجام داده‌اند و مجموعه بزرگ‌تری از نتایج آزمایشی به دست آورده‌اند.

طبق سند، استراتژی‌های ساده بدون AI یا یادگیری ماشین، مرتباً از برخی معامله‌گران AI یا یادگیری ماشینِ در دسترس عموم در ادبیات پژوهشی بهتر عمل می‌کنند. درس پیشنهادی روش‌شناختی است: مقایسه‌ها به ارزیابی گسترده در دامنه‌های مختلف پارامتر و شرایط بازار نیاز دارند و مدل پیچیده باید با مبناهای ساده سنجیده شود. این گزیده قواعد استراتژی، بازارها، سنجه‌های عملکرد یا عامل‌های AI مشخصی را معرفی نمی‌کند؛ بنابراین یافته‌های آن را نمی‌توان مستقلاً ارزیابی کرد یا تنها بر اساس این متن به سامانه معاملاتی قابل‌استفاده تبدیل کرد. نتایج گزارش‌شده به عامل‌ها و تنظیمات پژوهشی آزموده‌شده مربوط‌اند و ثابت نمی‌کنند که استراتژی‌های ساده عموماً در بازارهای زنده از رویکردهای مبتنی بر AI بهترند.

ایده‌های کلیدی

  • مقاله می‌پرسد آیا در ارزیابی‌های پیشین عامل‌های معاملاتی AI، تعداد کافی جلسه و سناریوی بازار آزموده شده است.
  • نویسندگان از آزمون گسترده در دامنه‌های وسیع پارامتر با استفاده از رایانش موازی خبر می‌دهند.
  • در آزمون‌های گزارش‌شده، برخی استراتژی‌های ساده و فاقد AI از معامله‌گران منتشرشده AI و یادگیری ماشین بهتر عمل کردند.
  • مبناهای ساده می‌توانند نشان دهند آیا یک روش معاملاتی پیچیده ارزش افزوده‌ای دارد.
  • گزیده، جزئیات استراتژی، بازارها، سنجه‌ها و شواهد لازم برای ارزیابی عملکرد زنده را ارائه نمی‌کند.

برچسب‌ها

متن کامل
# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.