본문으로 건너뛰기
라이브러리 문서 전체

조건부 GAN으로 매매 전략을 조정하고 결합하기

기사 arXiv papers · 저자: Adriano Koshiyama et al.
원문 읽기

요약

이 논문은 개별 매매 전략을 보정하고 신호를 결합하기 위해 조건부 생성적 적대 신경망을 제안한다. 시계열 데이터용 cGAN을 학습하고 선택한 뒤, 생성된 표본으로 전략을 조정하고 표본 모음으로 앙상블 모델링을 하는 작업 흐름을 제시한다. 목표는 전략 설정을 개선하거나 약한 신호를 포트폴리오 수준 접근법으로 통합하는 것이다.

저자들은 579개 자산에 걸친 여러 매매 전략으로 이 방법을 평가하고, 앙상블 접근법 및 시계열 검증 방법과 비교한다. cGAN은 적절한 대안이 될 수 있고 기존 기법이 알파를 찾지 못할 때 더 나은 성과를 낸다고 보고한다. 요약에는 자산, 평가 기간, 거래 비용, 견고성 검사가 명시되지 않아 일반화나 구현을 판단할 정보가 제한적이다. 근거는 실험에서 나온 것이므로 테스트한 설정 안에서 해석해야 한다.

핵심 아이디어

  • 전략 보정과 신호 통합에 조건부 GAN을 제안한다.
  • 작업 흐름은 시계열 데이터용 cGAN 학습과 선정을 다룬다.
  • 생성된 표본을 전략 조정과 앙상블 구성에 모두 사용한다.
  • 실험은 시계열 비교를 포함해 여러 전략과 579개 자산을 다룬다.
  • 보고된 결과는 기존 방법이 알파를 찾지 못하는 상황에서 이점이 있음을 시사한다.

태그

머신러닝백테스트포트폴리오 구성주식
전문
# 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.

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

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