رفتن به محتوا
همه اسناد کتابخانه

استفاده از مسیرهای قیمت تولیدشده با GAN برای آزمون استراتژی‌های معاملاتی

مقاله arXiv papers · نویسنده: Ao Sun et al.
خواندن نسخه اصلی

خلاصه

این سند پیشنهاد می‌کند از شبکه‌های مولد تخاصمی به‌همراه LSTM برای ساخت مسیرهای مصنوعی قیمت تاریخی و ارزیابی استراتژی‌های معاملاتی استفاده شود. فرض اصلی این است که ممکن است استراتژی انتخاب‌شده بر پایه عملکرد قوی درون‌نمونه‌ای بیش‌برازش شده باشد؛ بنابراین باید در مسیرهایی که از مدلی از توزیع داده‌های تاریخی استخراج شده‌اند نیز عملکرد خوبی داشته باشد.

در گردش‌کار پیشنهادی، توزیع سری زمانی با مدل GAN-LSTM برازش می‌شود و سپس استراتژی‌های نامزد روی مسیرهای تولیدشده بک‌تست می‌شوند تا بررسی تکمیلی برای بیش‌برازش انجام شود. متن این روش را به‌عنوان یک پیشنهاد مطرح می‌کند، اما نتیجه آزمایشی، جزئیات پیاده‌سازی یا مقایسه با روش‌های اعتبارسنجی دیگر ارائه نمی‌دهد. این متن خلاصه ترجمه‌شده پایان‌نامه‌ای است که در سال 2018 به زبان چینی نوشته شده؛ خود سند هشدار می‌دهد که برخی ادعاها ممکن است قدیمی شده باشند.

ایده‌های کلیدی

  • عملکرد قوی درون‌نمونه‌ای به‌تنهایی ممکن است به انتخاب استراتژی معاملاتی بیش‌برازش‌شده بینجامد.
  • ترکیب یک GAN با یک LSTM برای یادگیری توزیع سری زمانی تاریخی پیشنهاد شده است.
  • مسیرهای مصنوعی مدل برازش‌شده، داده‌های بک‌تست بیشتری برای ارزیابی استراتژی فراهم می‌کنند.
  • این سند نتیجه گزارش‌شده یا اعتبارسنجی تفصیلی برای این رویکرد ارائه نمی‌کند.

برچسب‌ها

یادگیری ماشینآزمون گذشته‌نگرآمار
متن کامل
# 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a thesis (10.6342/NTU201801645) which was originally written in Chinese in 2018, where some statements and claims are outdated in 2022)

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.