コンテンツへスキップ
ライブラリの全資料

売買戦略の最適化で過剰適合を抑えるGT-Score

記事 arXiv papers · 著者: Alexander Sheppert
原文を読む

サマリー

本稿は、データ駆動型の売買戦略を最適化する複合目的関数GT-Scoreを提示します。成績、統計的有意性、一貫性、下方リスクの指標を組み合わせ、過去データに過度に適合する選択を避けることを目指します。検証を繰り返すと見せかけのパターンが生じる可能性があり、リターンが正規分布に従わない場合は一般的な統計的推論が信頼できないことが、研究の動機です。

実証研究では、2010から2024までのS&P 500構成銘柄50社の過去データを使います。9つの逐次ウォークフォワード分割と、15個の乱数シードを用いたモンテカルロ分析で3つの戦略を評価します。著者らは、ベースラインの目的関数よりGT-Scoreで検証データ対学習データのリターン比が高かったと報告しています。一方、対応のある検定ではSortinoおよびSimple目的関数との差が検出され、効果量は小さいとしています。これらの結果は目的関数のさらなる研究を支持しますが、証拠は記載された銘柄、戦略、評価設計に限られます。汎化比率が高いだけでは収益を伴う実運用は保証されず、モデルや執行に関するあらゆるリスクが解消されるわけでもありません。

主なアイデア

  • GT-Scoreは成績、有意性、一貫性、下方リスクを組み合わせます。
  • データの多重検証と、非正規リターンに対する推論の弱さを考慮した設計です。
  • 3つの戦略を対象に、ウォークフォワード検証とモンテカルロ分析を行います。
  • 報告された差の効果量は小さく、証拠は限られた過去データに基づきます。

タグ

機械学習統計バックテストリスク管理株式
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。