Байесовская оптимизация адаптивных нестационарных торговых стратегий

Сводка

В статье автоматическая торговля в меняющихся рыночных условиях рассматривается как нестационарная задача многорукого бандита с непрерывным множеством действий. Предлагается PRBO, сочетающий байесовскую оптимизацию с подходом «бандит над бандитами» для адаптации параметров стратегии к изменениям условий. Метод оценивается в симуляции биржи Bristol, где рынок населяют автоматизированные агенты с разнородными стратегиями. В качестве бенчмарка используется PRSH — стратегия, адаптирующая параметры методом стохастического подъёма по склону.

По результатам симуляции PRBO приносит значительно больше прибыли, чем PRSH, и требует настройки меньшего числа гиперпараметров. Это указывает на возможное преимущество байесовской оптимизации в проверенной схеме адаптивной торговли. Однако в предоставленном описании нет абсолютных значений доходности, оценок неопределённости или подробностей сценариев рынка и настроек параметров. Данные ограничены указанным сравнением в симуляции и не доказывают, что PRBO покажет лучшие результаты на реальных рынках или при других бенчмарках и условиях.

Ключевые идеи

• В статье адаптация торговых параметров к меняющимся условиям моделируется как нестационарная задача многорукого бандита с непрерывным множеством действий.
• PRBO использует байесовскую оптимизацию в рамках подхода «бандит над бандитами» для настройки параметров стратегии.
• Оценка проводится в симуляции биржи Bristol с разнородными автоматизированными агентами.
• PRBO сравнивается с PRSH, который настраивает параметры методом стохастического подъёма по склону.
• В симуляции PRBO показывает значительно более высокую прибыль и требует настройки меньшего числа гиперпараметров.
• Отрывок не доказывает эффективность на реальных рынках или при других бенчмарках.

Теги

# 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).

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.