Uso de GANs condicionais para ajustar e combinar estratégias de trading

Resumo

Este artigo propõe redes adversariais generativas condicionais para calibrar estratégias individuais de trading e combinar seus sinais. Apresenta um fluxo de trabalho para treinar e selecionar uma cGAN para dados de séries temporais, usar amostras geradas para ajustar estratégias e empregar o conjunto de amostras na modelagem por ensemble. O objetivo é melhorar as configurações das estratégias ou agregar sinais mais fracos em uma abordagem no nível da carteira.

Os autores avaliam o método com várias estratégias de trading em 579 ativos, comparando-o com uma abordagem de ensemble e métodos de validação de séries temporais. Relatam que cGANs podem ser uma alternativa adequada e que superam outras abordagens quando técnicas tradicionais não conseguem gerar alfa. O resumo não identifica os ativos, o período de avaliação, os custos de trading ou as verificações de robustez, oferecendo poucos detalhes para avaliar a generalização ou a implementação. As evidências são experimentais e devem ser interpretadas dentro da configuração testada.

Ideias principais

• GANs condicionais são propostas para calibrar estratégias e agregar sinais.
• O fluxo de trabalho abrange o treinamento e a seleção de cGANs para dados de séries temporais.
• Amostras geradas são usadas tanto para ajustar estratégias quanto para montar um ensemble.
• O experimento abrange várias estratégias e 579 ativos, com comparações em séries temporais.
• Os resultados relatados sugerem uma vantagem quando os métodos tradicionais não encontram alfa.

Tags

# 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.

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.