Otimização bayesiana para estratégias de trading adaptativas

Resumo

Este artigo formula o trading automatizado em condições de mercado variáveis como um problema de bandido com braços contínuos não estacionário. Propõe PRBO, que combina otimização bayesiana com uma abordagem de bandido sobre bandido para ajustar parâmetros da estratégia conforme as condições mudam. O método é avaliado na simulação da Bristol Stock Exchange, onde agentes automatizados com estratégias heterogêneas povoam o mercado. A referência de comparação é PRSH, uma estratégia que adapta parâmetros usando escalada estocástica.

Os resultados de simulação relatados mostram que PRBO obtém lucro significativamente maior que PRSH, exigindo menos hiperparâmetros para ajuste. Isso sugere uma possível vantagem da otimização bayesiana na configuração de trading adaptativo testada. No entanto, a descrição fornecida não informa retornos absolutos, estimativas de incerteza nem detalhes dos cenários de mercado e dos parâmetros. As evidências se limitam à comparação simulada descrita e não estabelecem que PRBO terá desempenho superior em mercados reais ou com outras referências e condições.

Ideias principais

• O artigo modela o ajuste de parâmetros de trading a condições variáveis como um problema de bandido com braços contínuos não estacionário.
• PRBO usa otimização bayesiana em uma estrutura de bandido sobre bandido para ajustar parâmetros da estratégia.
• A avaliação usa a simulação da Bristol Stock Exchange com agentes automatizados heterogêneos.
• PRBO é comparado com PRSH, que ajusta parâmetros por escalada estocástica.
• Na simulação relatada, PRBO obtém lucro significativamente maior e exige menos hiperparâmetros para ajuste.
• O trecho não comprova o desempenho em mercados ao vivo nem em comparação com outros benchmarks.

Tags

# Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market


# Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market









We approach the problem of designing an automated trading strategy that can consistently profit by adapting to changing market conditions. This challenge can be framed as a Nonstationary Continuum-Armed Bandit (NCAB) problem. To solve the NCAB problem, we propose PRBO, a novel trading algorithm that uses Bayesian optimization and a ``bandit-over-bandit'' framework to dynamically adjust strategy parameters in response to market conditions. We use Bristol Stock Exchange (BSE) to simulate financial markets containing heterogeneous populations of automated trading agents and compare PRBO with PRSH, a reference trading strategy that adapts strategy parameters through stochastic hill-climbing. Results show that PRBO generates significantly more profit than PRSH, despite having fewer hyperparameters to tune. The code for PRBO and performing experiments is available online open-source (https://github.com/HarmoniaLeo/PRZI-Bayesian-Optimisation).

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.