O GT-Score para reduzir sobreajuste na otimização de estratégias de trading

Resumo

Este documento apresenta o GT-Score, um objetivo composto para otimizar estratégias de trading orientadas por dados. Ele combina medidas de desempenho, significância estatística, consistência e risco de perdas, buscando desencorajar escolhas excessivamente ajustadas aos dados históricos. A motivação é que testes repetidos podem produzir padrões espúrios e que a inferência estatística comum pode não ser confiável quando os retornos não têm distribuição normal.

O estudo empírico usa dados históricos de 50 empresas do S&P 500 entre 2010 e 2024. Avalia três estratégias com nove divisões sequenciais de validação walk-forward e um estudo de Monte Carlo com 15 sementes aleatórias. Os autores relatam uma razão entre retornos de validação e de treinamento maior com o GT-Score do que com os objetivos de referência, enquanto testes pareados encontram diferenças detectáveis em relação aos objetivos Sortino e Simple, com efeitos pequenos. Esses resultados justificam estudos adicionais do objetivo, mas as evidências se limitam às ações, estratégias e ao desenho de avaliação especificados. Uma razão de generalização melhor, por si só, não garante uma implementação lucrativa nem elimina todas as fontes de risco do modelo e da execução.

Ideias principais

• O GT-Score combina considerações de desempenho, significância, consistência e risco de perdas.
• Seu desenho visa lidar com a busca oportunista por padrões nos dados e com a inferência fraca quando os retornos não têm distribuição normal.
• A avaliação usa validação walk-forward e um estudo de Monte Carlo com três estratégias.
• As diferenças relatadas incluem efeitos pequenos, e as evidências abrangem uma amostra histórica limitada.

Tags

# The GT-Score: A Robust Objective Function for Reducing Overfitting in Data-Driven Trading Strategies


# The GT-Score: A Robust Objective Function for Reducing Overfitting in Data-Driven Trading Strategies









Overfitting remains a critical challenge in data-driven financial modeling, where machine learning (ML) systems learn spurious patterns in historical prices and fail out of sample and in deployment. This paper introduces the GT-Score, a composite objective function that integrates performance, statistical significance, consistency, and downside risk to guide optimization toward more robust trading strategies. This approach directly addresses critical pitfalls in quantitative strategy development, specifically data snooping during optimization and the unreliability of statistical inference under non-normal return distributions. Using historical stock data for 50 S&P 500 companies spanning 2010-2024, we conduct an empirical evaluation that includes walk-forward validation with nine sequential time splits and a Monte Carlo study with 15 random seeds across three trading strategies. In walk-forward validation, GT-Score improves the generalization ratio (validation return divided by training return) by 98% relative to baseline objective functions. Paired statistical tests on Monte Carlo out-of-sample returns indicate statistically detectable differences between objective functions (p < 0.01 for comparisons with Sortino and Simple), with small effect sizes. These results suggest that embedding an anti-overfitting structure into the objective can improve the reliability of backtests in quantitative research. Reproducible code and processed result files are provided as supplementary materials.

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.