Sélection de stratégies de trading par tests prospectifs avec réseau neuronal

Résumé

L’article propose un processus de sélection de stratégies appelé DNN-forwardtesting. Au lieu de choisir une stratégie de trading uniquement d’après ses résultats sur les prix historiques, il prévoit d’abord une trajectoire de prix future possible à l’aide d’un réseau neuronal profond à propagation directe, puis évalue des indicateurs techniques sur ces prévisions. L’indicateur retenu guide ensuite les transactions sur le marché futur réel. Le processus décrit comprend une analyse exploratoire de dix titres, une procédure de volatilité fondée sur k-means et un entraînement sur un ensemble restreint d’actifs avec un coefficient de volatilité commun, afin de prévoir les prix pour les 30 jours suivants.

Les auteurs rapportent que les prévisions du réseau neuronal surpassent les techniques statistiques classiques et que les stratégies sélectionnées par ce processus fondé sur des prévisions améliorent l’espérance, ainsi que les ratios de Sharpe, Sortino et Calmar, par rapport à une sélection traditionnelle par backtest. La description fournie ne précise ni les titres, ni les mesures de précision des prévisions, ni les détails de mise en œuvre ou la période d’évaluation. Ces résultats sont donc des affirmations du résumé de l’article et n’établissent pas que la méthode se généralise à d’autres actifs ou conditions de prévision.

Idées clés

• La méthode sélectionne une stratégie de trading en appliquant des indicateurs techniques aux prévisions de prix d’un réseau neuronal.
• Une procédure fondée sur k-means regroupe les titres selon leur volatilité avant l’entraînement du modèle.
• Le réseau à propagation directe décrit prévoit les cours des actions 30 jours à l’avance.
• Les auteurs rapportent de meilleures prévisions que celles des techniques statistiques classiques.
• Ils rapportent également de meilleurs indicateurs de risque et de rendement que la sélection de stratégies par backtesting traditionnel.

Étiquettes

# DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks


# DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks









In general, traders test their trading strategies by applying them on the historical market data (backtesting), and then apply to the future trades the strategy that achieved the maximum profit on such past data. In this paper, we propose a new trading strategy, called DNN-forwardtesting, that determines the strategy to apply by testing it on the possible future predicted by a deep neural network that has been designed to perform stock price forecasts and trained with the market historical data. In order to generate such an historical dataset, we first perform an exploratory data analysis on a set of ten securities and, in particular, analize their volatility through a novel k-means-based procedure. Then, we restrict the dataset to a small number of assets with the same volatility coefficient and use such data to train a deep feed-forward neural network that forecasts the prices for the next 30 days of open stocks market. Finally, our trading system calculates the most effective technical indicator by applying it to the DNNs predictions and uses such indicator to guide its trades. The results confirm that neural networks outperform classical statistical techniques when performing such forecasts, and their predictions allow to select a trading strategy that, when applied to the real future, increases Expectancy, Sharpe, Sortino, and Calmar ratios with respect to the strategy selected through traditional backtesting.

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.