Le score GT pour limiter le surapprentissage dans l’optimisation des stratégies de trading

Résumé

Ce document présente le score GT, un objectif composite pour optimiser des stratégies de trading fondées sur les données. Il combine des mesures de performance, de significativité statistique, de régularité et de risque de baisse, afin de décourager les choix trop ajustés aux données historiques. La démarche part du constat que des tests répétés peuvent faire apparaître des tendances fallacieuses et que les méthodes courantes d’inférence statistique peuvent être peu fiables lorsque les rendements ne suivent pas une loi normale.

L’étude empirique utilise des données historiques portant sur 50 entreprises du S&P 500 entre 2010 et 2024. Elle évalue trois stratégies avec neuf découpages séquentiels en validation walk-forward et une étude de Monte-Carlo fondée sur 15 graines aléatoires. Les auteurs rapportent un ratio rendement validation/entraînement plus élevé avec le score GT qu’avec les objectifs de référence, tandis que les tests appariés détectent de faibles différences d’effet par rapport aux objectifs Sortino et Simple. Ces résultats justifient d’étudier davantage cet objectif, mais les éléments présentés se limitent aux actions, stratégies et protocole d’évaluation indiqués. Un meilleur ratio de généralisation ne garantit pas à lui seul un déploiement rentable et ne résout pas toutes les sources de risque liées au modèle et à l’exécution.

Idées clés

• Le score GT combine des critères de performance, de significativité, de régularité et de risque de baisse.
• Sa conception vise à limiter le data snooping et les inférences fragiles lorsque les rendements ne suivent pas une loi normale.
• L’évaluation utilise une validation walk-forward et une étude de Monte-Carlo sur trois stratégies.
• Les différences rapportées ont de faibles effets et les éléments disponibles couvrent un échantillon historique limité.

Étiquettes

# The GT-Score: A Robust Objective Function for Reducing Overfitting in Data-Driven Trading Strategies


# The GT-Score: A Robust Objective Function for Reducing Overfitting in Data-Driven Trading Strategies









Overfitting remains a critical challenge in data-driven financial modeling, where machine learning (ML) systems learn spurious patterns in historical prices and fail out of sample and in deployment. This paper introduces the GT-Score, a composite objective function that integrates performance, statistical significance, consistency, and downside risk to guide optimization toward more robust trading strategies. This approach directly addresses critical pitfalls in quantitative strategy development, specifically data snooping during optimization and the unreliability of statistical inference under non-normal return distributions. Using historical stock data for 50 S&P 500 companies spanning 2010-2024, we conduct an empirical evaluation that includes walk-forward validation with nine sequential time splits and a Monte Carlo study with 15 random seeds across three trading strategies. In walk-forward validation, GT-Score improves the generalization ratio (validation return divided by training return) by 98% relative to baseline objective functions. Paired statistical tests on Monte Carlo out-of-sample returns indicate statistically detectable differences between objective functions (p < 0.01 for comparisons with Sortino and Simple), with small effect sizes. These results suggest that embedding an anti-overfitting structure into the objective can improve the reliability of backtests in quantitative research. Reproducible code and processed result files are provided as supplementary materials.

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.