Seleção de estratégias de trading com teste prospectivo por redes neurais

Resumo

O artigo propõe um processo de seleção de estratégias chamado DNN-forwardtesting. Em vez de escolher uma estratégia de trading apenas pelos resultados em preços históricos, primeiro prevê uma possível trajetória futura de preços com uma rede neural profunda feed-forward e avalia indicadores técnicos com base nessas previsões. Em seguida, o indicador selecionado orienta as negociações no mercado real subsequente. O fluxo de trabalho descrito inclui análise exploratória de dez ativos, um procedimento de volatilidade baseado em k-means e treinamento em um conjunto restrito de ativos com um coeficiente de volatilidade compartilhado para prever preços para os próximos 30 dias.

Os autores relatam que as previsões da rede neural superam técnicas estatísticas clássicas e que as estratégias escolhidas pelo processo baseado em previsões melhoram as métricas de expectativa, Sharpe, Sortino e Calmar em relação à seleção tradicional por backtest. A descrição fornecida não informa os ativos, as métricas de precisão das previsões, os detalhes de implementação nem o período de avaliação. Portanto, os resultados são afirmações do resumo do artigo e não demonstram que o método se generalize entre ativos ou condições de previsão.

Ideias principais

• O método seleciona uma estratégia de trading usando indicadores técnicos aplicados às previsões de preços de uma rede neural.
• Um procedimento baseado em k-means agrupa os ativos por volatilidade antes do treinamento do modelo.
• A rede feed-forward descrita prevê preços de ações com 30 dias de antecedência.
• Os autores relatam melhor desempenho de previsão que o de técnicas estatísticas clássicas.
• Também relatam métricas de risco e retorno melhores que as da seleção de estratégias por backtesting tradicional.

Tags

# DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks


# DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks









In general, traders test their trading strategies by applying them on the historical market data (backtesting), and then apply to the future trades the strategy that achieved the maximum profit on such past data. In this paper, we propose a new trading strategy, called DNN-forwardtesting, that determines the strategy to apply by testing it on the possible future predicted by a deep neural network that has been designed to perform stock price forecasts and trained with the market historical data. In order to generate such an historical dataset, we first perform an exploratory data analysis on a set of ten securities and, in particular, analize their volatility through a novel k-means-based procedure. Then, we restrict the dataset to a small number of assets with the same volatility coefficient and use such data to train a deep feed-forward neural network that forecasts the prices for the next 30 days of open stocks market. Finally, our trading system calculates the most effective technical indicator by applying it to the DNNs predictions and uses such indicator to guide its trades. The results confirm that neural networks outperform classical statistical techniques when performing such forecasts, and their predictions allow to select a trading strategy that, when applied to the real future, increases Expectancy, Sharpe, Sortino, and Calmar ratios with respect to the strategy selected through traditional backtesting.

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.