金融交易策略的生成性对抗网络

我们采用了252个连续滞后的固定特征集，并对所有成员的预测进行了平均。因此，我们可以将主要假设描述为：哪种抽样方案RS能够创建一组在OS期间总体上能够超越竞争的交易策略ES={M（1）λ，…，M（B）λ}？表3：案例I中使用的主要配置：交易策略组合。重采样方案（RS）参数静态Bootstrap[24]B={20，100，500}样本和块大小=20cGAN小B={20，100，500}样本cGan中B={20，100，500}样本cGan大B={20，100，500}样本交易策略（Mλ）超参数（λ）回归树（Reg树）[12]无限深度，分裂多层感知器（MLP）内部节点所需的最小样本数【12】神经元数={200}，权重衰减={0.00001}，激活函数={tanh}其他细节值用作特征的滞后数rt-1，rt-2.rt公司-252聚合函数（Agg）是指3.5案例II：交易策略的微调3.5.1概述本案例评估了不同微调策略的成功与否，尤其是那些为时间序列创建X（train）和X（val）集的策略。

从这个意义上讲，算法5表示无论采用何种方法都使用的统一循环：从数据分割、超参数选择和性能计算。算法5交易策略优化的通用循环1：针对b← 1，B do 所有培训和验证文件夹2:X（培训），X（val）：=MV（r，…，rT-h） 3：对于λ← λ, ..., λmdo4：fit交易策略：M（b）λ（X（train））5：检查策略：s（b）λ=P（X（val）；M（b）λ（X（列）））6：结束7：结束8：结束λ← λ, ..., λmdo9：集合间平均值：perf（λ）=（1/B）PBb=1s（B）λ10：结束11：opt超参数：λ*:=arg最大λ∈{λ，λ，…，λm}性能（λ）12：fit交易策略：mλ*（X（列车）：=r。。。，rT公司-h） 13：测试交易策略：P（rT-h、 。。。，rT；M（b）λ（X（train）））它从拆分IS={r，…，rT开始-h} 使用模型验证方法设置inX（train）和X（val）ologymv–一个分割、固定引导、cGAN等。然后，对于每个超参数λ。。。，λm，我们制定了一种交易策略（例如，多层感知器-m（b）λ），旨在预测RTU使用滞后信息rt-1.rt公司-pas特性集。我们使用验证集X（val）和效用函数P（例如，Sharperatio）检查策略性能s（b）λ。对所有培训和验证集（B）重复此过程。然后，我们通过在验证倍数perf（λ）中平均其性能，来测量高参数λ的价值（例如，（神经元数量，重量衰减）=（20，0.05））；最佳配置是使预期效用最大化的配置。

使用该超参数，使用OSset对最终模型进行拟合和测试。3.5.2方法和参数4给出了M V、Mλ、λ和Pof算法5的实例。除了三种不同的cGAN体系结构外，cGAN用于微调交易策略的竞争方法有：天真（训练集和验证集相等）、一个拆分和滑动窗口；block、hv block和K fold交叉验证；固定引导。因此，主要假设是：给定交易策略Mλ，哪种机制能够揭示操作系统期间应用的最佳配置λ？我们使用线性和非线性交易策略（岭回归、梯度推进树和多层感知器）来寻找这个假设的答案。

我们使用夏普比率作为效用函数，网格搜索作为超参数搜索方法，以及由252个连续滞后组成的固定特征集。表4：案例II中使用的主要配置：交易策略的微调。模型验证（M V）参数活动（X（val）=X（train））滑动窗口【3】步幅和窗口大小=252天块交叉验证【31】块大小=252天SHV块交叉验证【31】块大小=252天，间隙大小=10天一次拆分/保持/单次拆分【3】X（val）=最后1260天SK折叠交叉验证【6】k=10折叠统计引导【24】B=100个样本，块大小=20cGAN小B=100个样本cgan中等B=100个样本cgan大B=100个样本交易策略（Mλ）超参数（λ）梯度推进树（GBT）[12]树数={50，100，200}，学习率={0.0001，0.001，0.01，0.1，1.0}，最大深度={1，3，5}多层感知器（MLP）[12]神经元={20，50，100，200}，重量衰减={0.001、0.01、0.1、1.0}和激活函数={tanh}岭回归（岭）[12]收缩={0.00001、0.00005、0.0001、0.0005、0.001、0.005、0.01、0.05、0.1、0.5、1.0}其他细节值用作特征rt的滞后数-1，rt-2.rt公司-252超参数搜索网格搜索或穷举搜索功能P Sharpe ratio4案例研究4.1案例一：交易策略组合稳定5显示操作系统集中集成策略的中位数和平均绝对偏差（括号内）结果。从回归树（Reg-Tree）开始，我们观察到，在不同数量的基础学习者中（B=20，100，500），GAN Large的Sharpe和Calmar比率中位数较高。

事实上，它已经是静态引导（Stat-Boot）的两倍，即使样本数量较少（B=20）；在这一点之后，仍然可以获得一些收益，但似乎大部分多元化效应已经实现。可以为多层感知器（MLP）绘制一幅不同的图：在这种情况下，Stat Boot在资产中产生了更好的medianSharpe和Calmar比率，当B=20时，有些例外。从cGAN结果来看，通常情况下，配置cGAN大的表现更好，而在另一方面，cGAN小的表现不佳。总的来说，我们的结果表明，使用大容量MLP作为生成器/鉴别器有助于产生有利于基础学习者培训的重采样策略。我们还报告了均方根误差（RMSE），因为通常在集合策略中报告均方根误差。从数字上看，它们非常相似，但cGAN Medium在B和交易策略中获得了最佳值。（a） （b）图6：夏普比率（a）和RMSE（b）值的散点图，使用cGAN Large和Stat Boot across579资产获得。除RMSE外，不同组合的夏普和卡尔玛比率的MAD值较高。在总体上，从统计角度看，任何数字差异都可能变得难以察觉。表6显示了关于表5中的值的一些差异（仅在Gan Large和Stat Boot之间）是否具有统计意义。总的来说，除RMSE外，Wilcoxonrank和检验的p值通常高于0.05（采用显著性水平），这意味着在模型、样本数量和夏普EOR Calmar比率之间观察到的差异并不显著。原则上，到目前为止，cGAN Large和Stat Boot在模型、指标和样本数量方面似乎没有什么差别。

然而，这种等效的聚合通常不会在微观层面上表现出来。图6显示了此分析：使用cGAN Large andStat Boot（B=500）绘制每个资产的夏普比率和RMSE。