用于金融交易策略微调与组合的生成对抗网络
机器学习
2019-04-02 v3 投资组合管理
机器学习
摘要
系统交易策略是配置资产以优化某一性能准则的算法流程。为了在高度竞争的环境中获得优势，分析师需要恰当地微调其策略，或发现如何以新颖的产生 alpha 的方式组合弱信号。微调与组合这两个方面已使用多种方法被广泛研究，但诸如生成对抗网络(GAN)等新兴技术可能对这些方面产生影响。因此，我们的工作提出使用条件生成对抗网络(cGANs)进行交易策略的校准与聚合。为此，我们提供了完整的方法论：(i) 针对时间序列数据训练和筛选 cGAN；(ii) 每个样本如何用于策略校准；(iii) 所有生成样本如何用于集成建模。为证明我们的方法有据可依，我们设计了一个涵盖 579 个资产的多种交易策略实验。我们将 cGAN 与一种适用于时间序列的集成方案和模型验证方法进行比较。结果表明，cGANs 是策略校准与组合的合适替代方案，在传统技术未能产生任何 alpha 时提供超额表现。
引用
@article{arxiv.1901.01751,
title = {Generative Adversarial Networks for Financial Trading Strategies Fine-Tuning and Combination},
author = {Adriano Koshiyama and Nick Firoozye and Philip Treleaven},
journal= {arXiv preprint arXiv:1901.01751},
year = {2019}
}