Optimisation bayésienne de stratégies de trading adaptatives non stationnaires

Résumé

Cet article modélise le trading automatisé dans des conditions de marché changeantes comme un problème de bandit continu à bras non stationnaire. Il propose PRBO, qui associe l’optimisation bayésienne à une approche de bandit imbriqué afin d’ajuster les paramètres de la stratégie lorsque les conditions évoluent. La méthode est évaluée dans la simulation de la Bourse de Bristol, où des agents automatisés aux stratégies hétérogènes peuplent le marché. La référence de comparaison est PRSH, une stratégie qui adapte ses paramètres par ascension stochastique.

Les résultats de simulation rapportés montrent que PRBO génère un profit nettement supérieur à PRSH, tout en nécessitant moins d’hyperparamètres à régler. Cela suggère un avantage possible de l’optimisation bayésienne dans le dispositif de trading adaptatif testé. Toutefois, la description fournie ne précise ni les rendements absolus, ni les estimations d’incertitude, ni les scénarios de marché et les réglages des paramètres. Les éléments de preuve se limitent à la comparaison simulée présentée ; ils n’établissent donc pas que PRBO surperformera sur les marchés réels, ni avec d’autres références et conditions.

Idées clés

• L’article modélise l’adaptation des paramètres de trading aux conditions changeantes comme un problème de bandit continu à bras non stationnaire.
• PRBO utilise l’optimisation bayésienne dans un cadre de bandit imbriqué pour ajuster les paramètres d’une stratégie.
• L’évaluation utilise la simulation de la Bourse de Bristol avec des agents automatisés hétérogènes.
• PRBO est comparé à PRSH, qui adapte ses paramètres par ascension stochastique.
• Selon la simulation rapportée, PRBO génère un profit nettement supérieur avec moins d’hyperparamètres à régler.
• L’extrait n’établit pas les performances sur les marchés réels ni avec d’autres références.

Étiquettes

# Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market


# Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market









We approach the problem of designing an automated trading strategy that can consistently profit by adapting to changing market conditions. This challenge can be framed as a Nonstationary Continuum-Armed Bandit (NCAB) problem. To solve the NCAB problem, we propose PRBO, a novel trading algorithm that uses Bayesian optimization and a ``bandit-over-bandit'' framework to dynamically adjust strategy parameters in response to market conditions. We use Bristol Stock Exchange (BSE) to simulate financial markets containing heterogeneous populations of automated trading agents and compare PRBO with PRSH, a reference trading strategy that adapts strategy parameters through stochastic hill-climbing. Results show that PRBO generates significantly more profit than PRSH, despite having fewer hyperparameters to tune. The code for PRBO and performing experiments is available online open-source (https://github.com/HarmoniaLeo/PRZI-Bayesian-Optimisation).

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.