Показатель GT-Score для снижения переобучения стратегий

Сводка

В документе представлен комплексный критерий GT-Score для оптимизации торговых стратегий на основе данных. Он объединяет показатели эффективности, статистической значимости, стабильности и риска убытков, стремясь не допускать выбора стратегий, чрезмерно подогнанных под исторические данные. Основанием для работы служит то, что повторное тестирование может выявлять ложные закономерности, а обычные методы статистического вывода могут быть ненадежными, если доходность не имеет нормального распределения.

В эмпирическом исследовании используются исторические данные по 50 компаниям S&P 500 за период с 2010 по 2024. Три стратегии оцениваются на девяти последовательных разбиениях walk-forward и в исследовании методом Монте-Карло с 15 случайными начальными значениями. Авторы сообщают, что при GT-Score отношение доходности на проверочной выборке к доходности на обучающей выше, чем при базовых критериях; парные тесты выявляют различия с критериями Sortino и Simple, но величина эффекта мала. Результаты служат основанием для дальнейшего изучения критерия, однако ограничены указанными акциями, стратегиями и схемой оценки. Более высокое отношение обобщения само по себе не гарантирует прибыльного применения и не устраняет все источники модельного риска и риска исполнения.

Ключевые идеи

• GT-Score объединяет показатели эффективности, значимости, стабильности и риска убытков.
• Критерий направлен на снижение риска подглядывания в данные и ненадежных выводов при ненормально распределенной доходности.
• Оценка включает walk-forward-проверку и исследование методом Монте-Карло для трех стратегий.
• Выявленные различия имеют небольшую величину эффекта, а доказательная база охватывает ограниченную историческую выборку.

Теги

# 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.

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.