[论文解读] Generative Adversarial Networks for Financial Trading Strategies Fine-Tuning and Combination

Adriano Koshiyama, Nick Firoozye+1 more|arXiv (Cornell University)|Jan 7, 2019

Stock Market Forecasting Methods参考文献 59被引用 25

一句话总结

本文提出使用条件生成对抗网络（cGANs）来改进金融交易策略的微调与集成组合，尤其在传统重抽样方法失效的时间序列场景中。该方法生成多样化、具备压力事件感知能力的合成数据，用于模型验证与聚合，在弱信号环境中表现优于平稳自助法（stationary bootstrap）——在579只资产上通过SPX指数的夏普比率提升得到验证。

ABSTRACT

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.

研究动机与目标

• 解决在依赖性时间序列数据下系统性交易策略校准过程中过拟合及表现不佳的挑战。
• 探索cGANs作为生成多样化、真实感强的合成金融时间序列的新方法，用于模型验证与集成学习。
• 在真实金融数据集中，将基于cGAN的策略组合与微调方法与平稳自助法、超参数优化等成熟技术进行对比。
• 为训练、选择和应用cGAN于金融时间序列以开发交易策略，提供一种稳健且可复现的方法论。
• 提供一种新型验证与聚合框架，增强模型鲁棒性与超额收益生成能力，尤其在传统方法失效时。

提出的方法

• 在579个金融时间序列（股票、指数、货币）上训练cGAN，采用条件噪声输入以生成合成收益路径。
• 利用生成器输出的样本对单个交易策略进行再训练与验证，实现在多样化合成场景下的稳健微调。
• 通过聚合基于cGAN生成样本训练的多个策略的预测结果，实施集成建模，提升整体风险调整后收益。
• 通过生成数据与真实数据之间的均方根误差（RMSE）评估cGAN性能，同时重点关注波动率聚集等典型事实。
• 将cGAN采样与平稳自助法在集成构建中的表现进行对比，采用夏普比率与统计显著性作为评估指标。
• 采用专为时间序列设计的模型验证方案，包括窗口法与时间顺序打乱法，以基准化cGAN性能。

实验结果

研究问题

• RQ1 cGAN能否生成在统计上具有意义且对训练和验证交易策略有用的合成金融时间序列？
• RQ2 当传统集成方法（如平稳自助法）无法生成超额收益时，基于cGAN的策略组合是否优于这些方法？
• RQ3 在时间序列设定下，基于cGAN的微调与成熟的超参数优化及模型验证技术相比表现如何？
• RQ4 cGAN能否有效生成反映压力事件的样本，从而实现更优的模型压力测试与鲁棒性评估？
• RQ5 将cGAN生成的样本与平稳自助法的重抽样子样本结合，是否能带来集成性能的协同增益？

主要发现

• 当平稳自助法无法生成超额收益时，cGAN在策略组合中表现更优，尤其在SPX指数上，提升幅度显著且具有统计学意义。
• 在传统重抽样方法（如平稳自助法）无法提升性能的情况下，cGAN采样为集成建模提供了可行且有效的替代方案。
• 基于cGAN的微调在与成熟验证技术的对比中取得了具有竞争力的结果，证明其作为时间序列模型校准工具的可行性。
• 基于cGAN的集成策略所获得的夏普比率与平稳自助法结果相关性较低，表明二者提供互补信息，具备构建混合方法的潜力。
• 研究表明，cGAN能够生成反映金融时间序列典型事实（如波动率聚集）的样本，从而增强其真实感与实用性。
• 本研究在真实数据集与多种模型上系统比较了多种验证策略，提供了文献中此前未见的新型实证基准。