Настройка и объединение торговых стратегий с помощью условных GAN

Сводка

В статье предлагаются условные генеративно-состязательные сети для настройки отдельных торговых стратегий и объединения их сигналов. Описан процесс обучения и выбора cGAN для временных рядов: сгенерированные выборки используются для настройки стратегий, а весь набор выборок — для ансамблевого моделирования. Цель — улучшить параметры стратегии или объединить более слабые сигналы в подход на уровне портфеля.

Авторы оценивают метод на нескольких торговых стратегиях и 579 активах, сравнивая его с ансамблевым подходом и методами проверки временных рядов. По их данным, cGAN могут быть подходящей альтернативой и превосходят другие методы, когда традиционные подходы не позволяют получить альфу. В кратком описании не указаны активы, период оценки, торговые издержки или проверки устойчивости, поэтому данных для оценки обобщаемости и реализации мало. Результаты экспериментальные и должны рассматриваться в рамках проведённой проверки.

Ключевые идеи

• Условные GAN предлагаются для настройки стратегий и объединения сигналов.
• Процесс включает обучение и выбор cGAN для временных рядов.
• Сгенерированные выборки используются как для настройки стратегий, так и для построения ансамбля.
• Эксперимент охватывает несколько стратегий и 579 активов, с использованием сравнения временных рядов.
• Согласно результатам, подход может иметь преимущество, когда традиционные методы не находят альфу.

Теги

# 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.

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.