Kiểm tra hồi quy mạng nơ-ron của bạn sai lệch ±10 điểm phần trăm

Tác giả đã thiết lập một quy trình backtesting walk-forward nghiêm ngặt với dữ liệu hàng giờ của 20 cổ phiếu thanh khoản nhất trên Sở giao dịch Moscow (2021-2026, khoảng 370.000 nến), sử dụng mạng hồi quy GRU, phân loại nhị phân cho việc giá tăng trong một khoảng thời gian nhất định, và phí môi giới thực tế. Họ đảm bảo không có rò rỉ nhìn về tương lai bằng cách thêm khoảng trống giữa tập huấn luyện và tập kiểm tra, thực hiện giao dịch ở giá nến tiếp theo, và bao gồm cả hoa hồng. Mặc dù vậy, chỉ thay đổi hạt giống ngẫu nhiên đã thay đổi lợi nhuận hàng năm từ +6% lên +15%, và trong năm lần chạy giống hệt nhau với các hạt giống khác nhau, tỷ lệ Sharpe dao động từ -0,12 đến +0,85 (sau đó là 0,39 đến 1,28). Điều này xảy ra vì tín hiệu tài chính rất nhỏ (AUC 0,54-0,55), và bề mặt mất mát gần như phẳng, vì vậy khởi tạo ngẫu nhiên quyết định các mẫu quá khớp. Tác giả khuyến nghị: (1) luôn sử dụng quần thể các mô hình với các hạt giống khác nhau (trung bình xác suất), điều này đã tăng Sharpe lên 1,88 so với mô hình đơn tốt nhất là 1,28; (2) so sánh quần thể ý tưởng mới với quần thể ý tưởng cũ, không so sánh các lần chạy đơn lẻ; (3) thực hiện phân bổ để xem lợi nhuận đến từ các chứng khoán nơi đặc tính thực sự tồn tại. Họ đưa ra ba trường hợp mà các cải thiện dường như biến mất sau khi phân bổ, chứng minh rằng lợi nhuận chỉ là nhiễu được xáo trộn. Trên một hệ thống đông cứng, thử nghiệm với dữ liệu 2015-2020 mang lại -28% mà không huấn luyện lại, nhưng +17% với huấn luyện lại walk-forward đầy đủ, kết luận rằng huấn luyện lại thường xuyên là cần thiết để thích ứng với những thay đổi chế độ thị trường. Tác giả dự định giao dịch tiền thật sớm và sẽ công bố hồ sơ theo dõi công khai.