Mức phạt hiệp phương sai giảm hiện tượng khớp quá mức khi backtest

Tóm tắt

Bài báo xem xét cách lựa chọn chiến lược dựa trên dữ liệu lịch sử có thể tạo ra ước tính hiệu suất gây hiểu lầm. Bài trình bày một phép hiệu chỉnh bằng mức phạt hiệp phương sai, làm giảm chỉ số rủi ro để tính đến số lượng tham số và lượng dữ liệu làm cơ sở cho chiến lược giao dịch. Các tác giả đặt phương pháp này bên cạnh những cách tiếp cận xử lý việc khai thác dữ liệu, ước tính hiệu suất bị thổi phồng và đánh giá bằng kiểm định chéo.

Nghiên cứu thực nghiệm so sánh các phương pháp mức phạt hiệp phương sai dùng bình phương tối thiểu thông thường và bình phương tối thiểu toàn phần trên hơn 1,300 tài sản. Các kết quả được báo cáo ủng hộ mức phạt hiệp phương sai như một cách giảm hiện tượng khớp quá mức khi kiểm thử lịch sử, đồng thời cho thấy bình phương tối thiểu toàn phần đạt kết quả tốt hơn bình phương tối thiểu thông thường trong nghiên cứu. Tài liệu không cung cấp phân tích chi tiết theo tài sản, thước đo hiệu suất hay hướng dẫn triển khai, nên không xác lập được phép hiệu chỉnh sẽ hoạt động thế nào với mọi chiến lược hoặc bộ dữ liệu.

Ý chính

• Việc chọn tham số khi backtest có thể khiến hiệu suất lịch sử của chiến lược trông đáng tin cậy hơn thực tế.
• Mức phạt hiệp phương sai điều chỉnh chỉ số rủi ro theo các tham số và dữ liệu dùng để phát triển chiến lược.
• Nghiên cứu so sánh các phiên bản bình phương tối thiểu thông thường và toàn phần trên hơn 1,300 tài sản.
• Kết quả được báo cáo nghiêng về bình phương tối thiểu toàn phần, dù phần tóm tắt cung cấp ít chi tiết về điều kiện đánh giá.

Thẻ

# 1905.05023


# Avoiding Backtesting Overfitting by Covariance-Penalties: an empirical investigation of the ordinary and total least squares cases









Systematic trading strategies are rule-based procedures which choose portfolios and allocate assets. In order to attain certain desired return profiles, quantitative strategists must determine a large array of trading parameters. Backtesting, the attempt to identify the appropriate parameters using historical data available, has been highly criticized due to the abundance of misleading results. Hence, there is an increasing interest in devising procedures for the assessment and comparison of strategies, that is, devising schemes for preventing what is known as backtesting overfitting. So far, many financial researchers have proposed different ways to tackle this problem that can be broadly categorised in three types: Data Snooping, Overestimated Performance, and Cross-Validation Evaluation. In this paper, we propose a new approach to dealing with financial overfitting, a Covariance-Penalty Correction, in which a risk metric is lowered given the number of parameters and data used to underpins a trading strategy. We outlined the foundation and main results behind the Covariance-Penalty correction for trading strategies. After that, we pursue an empirical investigation, comparing its performance with some other approaches in the realm of Covariance-Penalties across more than 1300 assets, using Ordinary and Total Least Squares. Our results suggest that Covariance-Penalties are a suitable procedure to avoid Backtesting Overfitting, and Total Least Squares provides superior performance when compared to Ordinary Least Squares.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.