Dùng đường đi giá do GAN tạo để kiểm tra chiến lược giao dịch

Tóm tắt

Tài liệu đề xuất sử dụng mạng đối sinh tạo cùng LSTM để tạo các đường đi giá lịch sử tổng hợp nhằm đánh giá chiến lược giao dịch. Tiền đề là một chiến lược được chọn vì hiệu quả tốt trong mẫu có thể bị khớp quá mức, do đó cũng cần hoạt động tốt trên các đường đi được lấy từ mô hình phân phối dữ liệu lịch sử.

Quy trình được đề xuất khớp phân phối chuỗi thời gian bằng mô hình GAN-LSTM, sau đó kiểm thử lịch sử các chiến lược tiềm năng trên những đường đi được tạo ra như một bước kiểm tra bổ sung để phát hiện khớp quá mức. Văn bản trình bày đây là đề xuất phương pháp, nhưng không đưa ra kết quả thực nghiệm, chi tiết triển khai hoặc so sánh với kỹ thuật xác thực khác. Đây là bản tóm tắt được dịch từ luận văn viết bằng tiếng Trung vào năm 2018; bản thân tài liệu lưu ý một số nhận định có thể đã lỗi thời.

Ý chính

• Chỉ dựa vào hiệu quả tốt trong mẫu có thể dẫn đến chọn một chiến lược giao dịch bị khớp quá mức.
• Một GAN kết hợp với LSTM được đề xuất để học phân phối chuỗi thời gian lịch sử.
• Các đường đi tổng hợp từ mô hình đã khớp cung cấp thêm dữ liệu kiểm thử lịch sử để đánh giá chiến lược.
• Tài liệu không cung cấp kết quả được báo cáo hoặc xác thực chi tiết cho phương pháp này.

Thẻ

# Backtesting Trading Strategies with GAN To Avoid Overfitting


# Backtesting Trading Strategies with GAN To Avoid Overfitting









Many works have shown the overfitting hazard of selecting a trading strategy based only on good IS (in sample) performance. But most of them have merely shown such phenomena exist without offering ways to avoid them. We propose an approach to avoid overfitting: A good (meaning non-overfitting) trading strategy should still work well on paths generated in accordance with the distribution of the historical data. We use GAN with LSTM to learn or fit the distribution of the historical time series . Then trading strategies are backtested by the paths generated by GAN to avoid overfitting.(This paper is an tanslated English version of a thesis (10.6342/NTU201801645) which was originally written in Chinese in 2018, where some statements and claims are outdated in 2022)

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.