Pénalités de covariance contre le surajustement du backtest

Résumé

L’article examine comment la sélection de stratégies fondée sur des données historiques peut produire des estimations de performance trompeuses. Il présente une correction par pénalité de covariance qui réduit une mesure du risque afin de tenir compte du nombre de paramètres et de la quantité de données sur lesquelles repose une stratégie de trading. Les auteurs situent cette méthode parmi les approches visant à traiter le data snooping, les estimations de performance gonflées et l’évaluation par validation croisée.

L’étude empirique compare des approches par pénalité de covariance fondées sur les moindres carrés ordinaires et les moindres carrés totaux sur plus de 1,300 actifs. Les résultats rapportés étayent l’utilisation de pénalités de covariance pour atténuer le surajustement du backtesting et indiquent, dans cette étude, de meilleures performances des moindres carrés totaux que des moindres carrés ordinaires. Le document ne fournit ni ventilation détaillée des actifs, ni mesures de performance, ni conseils de mise en œuvre ; il ne permet donc pas d’établir comment la correction se comportera pour chaque stratégie ou jeu de données.

Idées clés

• La sélection des paramètres d’un backtest peut donner une impression de fiabilité excessive des performances historiques d’une stratégie.
• Une pénalité de covariance ajuste une mesure du risque en fonction des paramètres et des données utilisés pour élaborer une stratégie.
• L’étude compare les versions fondées sur les moindres carrés ordinaires et totaux sur plus de 1,300 actifs.
• Les résultats rapportés favorisent les moindres carrés totaux, bien que le résumé fournisse peu de détails sur les conditions d’évaluation.

Étiquettes

# 1905.05023


# Avoiding Backtesting Overfitting by Covariance-Penalties: an empirical investigation of the ordinary and total least squares cases









Systematic trading strategies are rule-based procedures which choose portfolios and allocate assets. In order to attain certain desired return profiles, quantitative strategists must determine a large array of trading parameters. Backtesting, the attempt to identify the appropriate parameters using historical data available, has been highly criticized due to the abundance of misleading results. Hence, there is an increasing interest in devising procedures for the assessment and comparison of strategies, that is, devising schemes for preventing what is known as backtesting overfitting. So far, many financial researchers have proposed different ways to tackle this problem that can be broadly categorised in three types: Data Snooping, Overestimated Performance, and Cross-Validation Evaluation. In this paper, we propose a new approach to dealing with financial overfitting, a Covariance-Penalty Correction, in which a risk metric is lowered given the number of parameters and data used to underpins a trading strategy. We outlined the foundation and main results behind the Covariance-Penalty correction for trading strategies. After that, we pursue an empirical investigation, comparing its performance with some other approaches in the realm of Covariance-Penalties across more than 1300 assets, using Ordinary and Total Least Squares. Our results suggest that Covariance-Penalties are a suitable procedure to avoid Backtesting Overfitting, and Total Least Squares provides superior performance when compared to Ordinary Least Squares.

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.