Utiliser des trajectoires de prix générées par GAN pour tester des stratégies de trading

Résumé

Le document propose d’utiliser des réseaux antagonistes génératifs avec des LSTM pour créer des trajectoires de prix historiques synthétiques afin d’évaluer des stratégies de trading. Il part du principe qu’une stratégie sélectionnée pour ses excellentes performances en échantillon peut être surajustée et devrait donc aussi bien fonctionner sur des trajectoires tirées d’un modèle de la distribution historique des données.

La méthode proposée ajuste la distribution des séries temporelles avec le modèle GAN-LSTM, puis effectue un backtest des stratégies candidates sur les trajectoires générées, comme vérification supplémentaire contre le surajustement. Le texte présente une proposition de méthode, mais ne donne aucun résultat expérimental, détail d’implémentation ni comparaison avec d’autres techniques de validation. Il s’agit du résumé traduit d’une thèse rédigée à l’origine en chinois en 2018 ; le document lui-même avertit que certaines affirmations peuvent être dépassées.

Idées clés

• De bonnes performances en échantillon ne suffisent pas à éviter de sélectionner une stratégie de trading surajustée.
• Un modèle GAN combiné à un LSTM est proposé pour apprendre la distribution historique des séries temporelles.
• Les trajectoires synthétiques issues du modèle ajusté fournissent des données supplémentaires pour le backtesting des stratégies.
• Le document ne présente aucun résultat rapporté ni validation détaillée de l’approche.

Étiquettes

# Backtesting Trading Strategies with GAN To Avoid Overfitting


# Backtesting Trading Strategies with GAN To Avoid Overfitting









Many works have shown the overfitting hazard of selecting a trading strategy based only on good IS (in sample) performance. But most of them have merely shown such phenomena exist without offering ways to avoid them. We propose an approach to avoid overfitting: A good (meaning non-overfitting) trading strategy should still work well on paths generated in accordance with the distribution of the historical data. We use GAN with LSTM to learn or fit the distribution of the historical time series . Then trading strategies are backtested by the paths generated by GAN to avoid overfitting.(This paper is an tanslated English version of a thesis (10.6342/NTU201801645) which was originally written in Chinese in 2018, where some statements and claims are outdated in 2022)

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.