Выбор торговых стратегий с помощью нейросетевого тестирования прогнозов

Сводка

В статье предлагается процесс выбора стратегии под названием DNN-forwardtesting. Вместо того чтобы выбирать торговую стратегию только по результатам на исторических ценах, сначала прогнозируется возможная траектория будущих цен с помощью глубокой нейронной сети прямого распространения, а затем на этих прогнозах оцениваются технические индикаторы. Выбранный индикатор задаёт направление сделок на фактическом будущем рынке. Описанный процесс включает разведочный анализ десяти ценных бумаг, метод оценки волатильности на основе k-means и обучение на ограниченном наборе активов с общим коэффициентом волатильности для прогноза цен на следующие 30 дней.

Авторы сообщают, что прогнозы нейросети превосходят классические статистические методы, а стратегии, выбранные на основе прогнозов, улучшают математическое ожидание, коэффициенты Шарпа, Сортино и Калмара по сравнению с традиционным выбором по результатам бэктеста. В предоставленном описании не указаны ценные бумаги, метрики точности прогноза, детали реализации или период оценки. Следовательно, это утверждения из краткого описания статьи, которые не доказывают, что метод обобщается на разные активы и условия прогнозирования.

Ключевые идеи

• Метод выбирает торговую стратегию по техническим индикаторам, применённым к прогнозам цен нейросети.
• Метод на основе k-means группирует ценные бумаги по волатильности до обучения модели.
• Описанная сеть прямого распространения прогнозирует цены акций на 30 дней вперёд.
• Авторы сообщают о более высокой точности прогнозов по сравнению с классическими статистическими методами.
• Также сообщается об улучшении показателей риска и доходности по сравнению с выбором стратегий на основе традиционного бэктестинга.

Теги

# 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.

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.