Dùng GAN có điều kiện để tinh chỉnh và kết hợp chiến lược giao dịch

Tóm tắt

Bài báo đề xuất mạng đối sinh tạo sinh có điều kiện để hiệu chỉnh từng chiến lược giao dịch và kết hợp tín hiệu của chúng. Bài báo đưa ra quy trình huấn luyện và lựa chọn cGAN cho dữ liệu chuỗi thời gian, dùng mẫu được tạo ra để tinh chỉnh chiến lược, đồng thời dùng tập hợp mẫu trong mô hình tổ hợp. Mục tiêu là cải thiện thiết lập chiến lược hoặc tổng hợp các tín hiệu yếu hơn thành một cách tiếp cận ở cấp danh mục.

Các tác giả đánh giá phương pháp trên nhiều chiến lược giao dịch thuộc 579 tài sản, so sánh với cách tiếp cận tổ hợp và các phương pháp kiểm định chuỗi thời gian. Họ báo cáo cGAN có thể là một lựa chọn phù hợp và vượt trội khi các kỹ thuật truyền thống không tạo ra alpha. Bản tóm tắt không xác định tài sản, giai đoạn đánh giá, chi phí giao dịch hay các kiểm tra độ vững chắc, nên thông tin để đánh giá khả năng khái quát hóa hoặc triển khai còn hạn chế. Bằng chứng có tính thực nghiệm và cần được hiểu trong phạm vi thiết lập đã kiểm định.

Ý chính

• GAN có điều kiện được đề xuất để hiệu chỉnh chiến lược và tổng hợp tín hiệu.
• Quy trình bao gồm huấn luyện và lựa chọn cGAN cho dữ liệu chuỗi thời gian.
• Các mẫu được tạo ra vừa dùng để tinh chỉnh chiến lược, vừa để xây dựng mô hình tổ hợp.
• Thử nghiệm bao gồm nhiều chiến lược và 579 tài sản, với các phép so sánh chuỗi thời gian.
• Kết quả được báo cáo gợi ý có ưu thế khi phương pháp truyền thống không tìm được alpha.

Thẻ

# 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.

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.