본문으로 건너뛰기
라이브러리 문서 전체

AI 트레이더를 상대로 단순 매매 전략을 더 철저히 검증

기사 arXiv papers · 저자: Dave Cliff et al.
원문 읽기

요약

이 논문은 AI 및 머신러닝 트레이딩 에이전트에 관한 기존 발표 주장을 문제 삼습니다. 일부 이전 평가가 제한된 횟수의 테스트 세션과 시장 시나리오에 의존해 에이전트 성과를 신뢰성 있게 판단할 근거가 부족했다고 주장합니다. 이를 해결하기 위해 저자들은 병렬 클라우드 컴퓨팅으로 폭넓은 매개변수 범위와 다수의 세션을 시험해 더 많은 실험 결과를 만들었다고 보고합니다.

문서에 따르면 AI나 머신러닝을 사용하지 않는 단순 전략이 연구 문헌의 일부 공개 도메인 AI 또는 머신러닝 트레이더보다 지속적으로 더 나은 성과를 냈습니다. 여기서 제시하는 방법론적 교훈은 매개변수와 시장 상황 전반에 걸쳐 충분히 평가하고, 복잡한 모형을 단순 기준 전략과 비교해야 한다는 것입니다. 발췌문은 전략 규칙, 시장, 성과 지표 또는 구체적인 AI 에이전트를 밝히지 않으므로 이 내용만으로 결과를 독립적으로 검토하거나 배포 가능한 트레이딩 시스템으로 옮길 수 없습니다. 보고된 결과는 시험한 연구 에이전트와 설정에 관한 것이며, 단순 전략이 실거래 시장에서 일반적으로 AI 기반 접근법보다 우월하다는 점을 입증하지는 않습니다.

핵심 아이디어

  • 이 논문은 이전 AI 트레이딩 에이전트 평가에서 충분한 세션과 시장 시나리오를 시험했는지 문제를 제기합니다.
  • 저자들은 병렬 컴퓨팅을 이용해 넓은 매개변수 범위에서 광범위한 테스트를 했다고 보고합니다.
  • 보고된 테스트에서 일부 단순 비-AI 전략이 발표된 AI 및 머신러닝 트레이더보다 좋은 성과를 냈습니다.
  • 복잡한 트레이딩 방법이 가치를 더하는지 확인하는 데 단순 기준 전략이 도움이 됩니다.
  • 발췌문에는 실거래 성과를 평가할 전략 세부 정보, 시장, 지표와 근거가 빠져 있습니다.

태그

머신러닝백테스트통계
전문
# Methods Matter: A Trading Agent with No Intelligence Routinely Outperforms AI-Based Traders


# Methods Matter: A Trading Agent with No Intelligence Routinely Outperforms AI-Based Traders









There's a long tradition of research using computational intelligence (methods from artificial intelligence (AI) and machine learning (ML)), to automatically discover, implement, and fine-tune strategies for autonomous adaptive automated trading in financial markets, with a sequence of research papers on this topic published at AI conferences such as IJCAI and in journals such as Artificial Intelligence: we show here that this strand of research has taken a number of methodological mis-steps and that actually some of the reportedly best-performing public-domain AI/ML trading strategies can routinely be out-performed by extremely simple trading strategies that involve no AI or ML at all. The results that we highlight here could easily have been revealed at the time that the relevant key papers were published, more than a decade ago, but the accepted methodology at the time of those publications involved a somewhat minimal approach to experimental evaluation of trader-agents, making claims on the basis of a few thousand test-sessions of the trader-agent in a small number of market scenarios. In this paper we present results from exhaustive testing over wide ranges of parameter values, using parallel cloud-computing facilities, where we conduct millions of tests and thereby create much richer data from which firmer conclusions can be drawn. We show that the best public-domain AI/ML traders in the published literature can be routinely outperformed by a "sub-zero-intelligence" trading strategy that at face value appears to be so simple as to be financially ruinous, but which interacts with the market in such a way that in practice it is more profitable than the well-known AI/ML strategies from the research literature. That such a simple strategy can outperform established AI/ML-based strategies is a sign that perhaps the AI/ML trading strategies were good answers to the wrong question.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.