Régler et combiner des stratégies de trading par GAN conditionnels

Résumé

Cet article propose des réseaux antagonistes génératifs conditionnels pour calibrer des stratégies de trading individuelles et combiner leurs signaux. Il décrit un processus d’entraînement et de sélection d’un cGAN pour des séries temporelles, utilisant des échantillons générés pour régler les stratégies, puis la collection de ces échantillons pour construire un modèle d’ensemble. L’objectif est d’améliorer les paramètres des stratégies ou d’agréger des signaux plus faibles dans une approche à l’échelle du portefeuille.

Les auteurs évaluent la méthode sur plusieurs stratégies de trading et 579 actifs, en la comparant à une approche par ensemble et à des méthodes de validation de séries temporelles. Ils rapportent que les cGAN peuvent constituer une solution de remplacement adéquate et qu’ils surperforment lorsque les techniques classiques ne produisent pas d’alpha. Le résumé ne précise ni les actifs, ni la période d’évaluation, ni les coûts de trading, ni les vérifications de robustesse ; il fournit donc peu d’éléments pour juger la généralisation ou la mise en œuvre. Les résultats sont expérimentaux et doivent être interprétés dans le cadre testé.

Idées clés

• Les GAN conditionnels sont proposés pour calibrer les stratégies et agréger les signaux.
• Le processus couvre l’entraînement et la sélection de cGAN pour les séries temporelles.
• Les échantillons générés servent à la fois à régler les stratégies et à construire un ensemble.
• L’expérience couvre plusieurs stratégies et 579 actifs, avec des comparaisons sur séries temporelles.
• Les résultats rapportés suggèrent un avantage lorsque les méthodes classiques ne trouvent pas d’alpha.

Étiquettes

# Generative Adversarial Networks for Financial Trading Strategies Fine-Tuning and Combination


# Generative Adversarial Networks for Financial Trading Strategies Fine-Tuning and Combination









Systematic trading strategies are algorithmic procedures that allocate assets aiming to optimize a certain performance criterion. To obtain an edge in a highly competitive environment, the analyst needs to proper fine-tune its strategy, or discover how to combine weak signals in novel alpha creating manners. Both aspects, namely fine-tuning and combination, have been extensively researched using several methods, but emerging techniques such as Generative Adversarial Networks can have an impact into such aspects. Therefore, our work proposes the use of Conditional Generative Adversarial Networks (cGANs) for trading strategies calibration and aggregation. To this purpose, we provide a full methodology on: (i) the training and selection of a cGAN for time series data; (ii) how each sample is used for strategies calibration; and (iii) how all generated samples can be used for ensemble modelling. To provide evidence that our approach is well grounded, we have designed an experiment with multiple trading strategies, encompassing 579 assets. We compared cGAN with an ensemble scheme and model validation methods, both suited for time series. Our results suggest that cGANs are a suitable alternative for strategies calibration and combination, providing outperformance when the traditional techniques fail to generate any alpha.

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.