ٹریڈنگ اسٹریٹیجیز کو بہتر بنانے اور ملانے کے لیے مشروط جی اے این

خلاصہ

یہ مقالہ انفرادی ٹریڈنگ اسٹریٹیجیز کی ترتیب اور ان کے اشارے ملانے کے لیے مشروط جنریٹو ایڈورسریل نیٹ ورکس تجویز کرتا ہے۔ یہ زمانی سلسلے کے ڈیٹا پر سی جی اے این کی تربیت اور انتخاب کا طریقۂ کار بیان کرتا ہے، اسٹریٹیجیز کو بہتر ترتیب دینے کے لیے بنائے گئے نمونے استعمال کرتا ہے، اور نمونوں کے مجموعے کو اینسمبل ماڈلنگ میں برتتا ہے۔ مقصد اسٹریٹیجی کی ترتیبات بہتر کرنا یا کمزور اشاروں کو پورٹ فولیو کی سطح کے طریقے میں جمع کرنا ہے۔

مصنفین اس طریقے کا جائزہ متعدد ٹریڈنگ اسٹریٹیجیز اور 579 اثاثوں پر لیتے ہیں، اور اس کا موازنہ اینسمبل طریقے اور زمانی سلسلے کی توثیق کے طریقوں سے کرتے ہیں۔ ان کے مطابق سی جی اے این موزوں متبادل ہو سکتے ہیں اور جب روایتی طریقے الفا پیدا کرنے میں ناکام ہوں تو یہ بہتر کارکردگی دکھاتے ہیں۔ خلاصے میں اثاثوں، جائزے کی مدت، ٹریڈنگ لاگتوں یا مضبوطی کی جانچوں کی نشاندہی نہیں، اس لیے طریقے کی عمومیت یا نفاذ کو جانچنے کے لیے تفصیل محدود ہے۔ شواہد تجرباتی ہیں اور انہیں آزمودہ ترتیب کے اندر سمجھنا چاہیے۔

اہم خیالات

• اسٹریٹیجی کی ترتیب اور اشاروں کو یکجا کرنے کے لیے مشروط جی اے این تجویز کیے گئے ہیں۔
• طریقۂ کار میں زمانی سلسلے کے ڈیٹا کے لیے سی جی اے این کی تربیت اور انتخاب شامل ہے۔
• بنائے گئے نمونے اسٹریٹیجیز کی ترتیب اور اینسمبل بنانے، دونوں کے لیے استعمال ہوتے ہیں۔
• تجربے میں متعدد اسٹریٹیجیز اور 579 اثاثے شامل ہیں، جن کا موازنہ زمانی سلسلے کے طریقوں سے کیا گیا ہے۔
• رپورٹ کردہ نتائج روایتی طریقوں کے الفا نہ ڈھونڈ پانے پر برتری کی طرف اشارہ کرتے ہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔