본문으로 건너뛰기
라이브러리 문서 전체

GAN로 생성한 가격 경로를 이용한 트레이딩 전략 검증

기사 arXiv papers · 저자: Ao Sun et al.
원문 읽기

요약

이 문서는 트레이딩 전략 평가를 위해 생성적 적대 신경망과 LSTM으로 합성 과거 가격 경로를 만드는 방법을 제안합니다. 표본 내 성과가 좋은 전략은 과적합되었을 수 있으므로, 과거 데이터 분포 모형에서 추출한 경로에서도 좋은 성과를 보여야 한다는 전제에 기반합니다.

제안된 절차는 GAN-LSTM 모형으로 시계열 분포를 적합한 뒤, 과적합 여부를 추가로 확인하기 위해 생성된 경로에서 후보 전략을 백테스트합니다. 이 글은 방법을 제안하지만 실험 결과, 구현 세부 사항, 다른 검증 기법과의 비교는 제공하지 않습니다. 이 문서는 2018년에 중국어로 작성된 학위 논문을 번역해 요약한 것이며, 일부 주장이 오래되었을 수 있다고 직접 주의를 줍니다.

핵심 아이디어

  • 표본 내 성과가 좋다는 사실만으로 과적합된 트레이딩 전략을 선택할 수 있습니다.
  • 과거 시계열 분포를 학습하기 위해 GAN와 LSTM을 결합하는 방법을 제안합니다.
  • 적합된 모형에서 생성한 합성 경로는 전략 평가를 위한 추가 백테스트 데이터를 제공합니다.
  • 문서에는 보고된 결과나 접근법의 상세한 검증이 없습니다.

태그

머신러닝백테스트통계
전문
# 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a thesis (10.6342/NTU201801645) which was originally written in Chinese in 2018, where some statements and claims are outdated in 2022)

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

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