Uso de trajetórias de preços geradas por GAN para testar estratégias de negociação

Resumo

O documento propõe usar redes adversariais generativas com LSTMs para criar trajetórias históricas sintéticas de preços e avaliar estratégias de negociação. A premissa é que uma estratégia escolhida por seu forte desempenho dentro da amostra pode estar ajustada em excesso e, por isso, também deveria ter bom desempenho em trajetórias extraídas de um modelo da distribuição dos dados históricos.

O fluxo de trabalho proposto ajusta a distribuição da série temporal com o modelo GAN-LSTM e, em seguida, realiza testes retrospectivos de estratégias candidatas em trajetórias geradas como verificação adicional contra o ajuste excessivo. O texto apresenta uma proposta de método, mas não fornece resultados experimentais, detalhes de implementação nem comparação com outras técnicas de validação. É um resumo traduzido de uma tese originalmente escrita em chinês em 2018; o próprio documento alerta que algumas afirmações podem estar desatualizadas.

Ideias principais

• Um bom desempenho dentro da amostra, por si só, pode levar à seleção de uma estratégia de negociação ajustada em excesso.
• Propõe-se combinar um GAN com um LSTM para aprender a distribuição histórica da série temporal.
• Trajetórias sintéticas do modelo ajustado fornecem dados adicionais para testes retrospectivos e avaliação da estratégia.
• O documento não apresenta resultados relatados nem validação detalhada da abordagem.

Tags

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a thesis (10.6342/NTU201801645) which was originally written in Chinese in 2018, where some statements and claims are outdated in 2022)

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.