Robust Optimization of Algorithmic Trading Systems

157 Pages·2017·7.18 MB·English

Robust Optimization of
Algorithmic Trading Systems
TESIS DOCTORAL
José Manuel Berutich Lindquist
Departamento de Lenguajes y Ciencias de la Computación
Escuela Técnica Superior de Ingeniería Informática
Universidad de Málaga
Mayo 2017
AUTOR: José Manuel Berutich Lindquist
http://orcid.org/0000-0002-0918-9634
EDITA: Publicaciones y Divulgación Científica. Universidad de Málaga
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-
SinObraDerivada 4.0 Internacional:
http://creativecommons.org/licenses/by-nc-nd/4.0/legalcode
Cualquier parte de esta obra se puede reproducir sin autorización
pero con el reconocimiento y atribución de los autores.
No se puede hacer uso comercial de la obra y no se puede alterar, transformar o hacer
obras derivadas.
Esta Tesis Doctoral está depositada en el Repositorio Institucional de la Universidad de
Málaga (RIUMA): riuma.uma.es
i
Documento maquetado con TEX S v.1.0+.
Robust Optimization of
Algorithmic Trading Systems
Memoria que presenta para optar al título de Doctor en Informática
José Manuel Berutich Lindquist
Programa de Doctorado
Ingeniería del Software e Inteligencia Artificial
Dirigida por los Doctores
Francisco Luna Valero
Francico López Valverde
Departamento de Lenguajes y Ciencias de la Computación
Escuela Técnica Superior de Ingeniería Informática
Universidad de Málaga
Mayo 2017
Copyright (cid:13)c José Manuel Berutich Lindquist
Carta de Aval v
Departamento de Lenguajes y Ciencias de la Computación
Escuela Técnica Superior de Ingeniería Informática
Universidad de Málaga
El Doctor Francisco López Valverde, profesor titular y el Doctor Fran-
cisco Luna Valero, profesor contratado, ambos pertenecientes al Departa-
mento de Lenguajes y Ciencias de la Computación de la Universidad de
Málaga, certifican:
que D. José Manuel Berutich Lindquist, Ingeniero en Informática por
Bentley University (Boston, EE.UU.), ha realizado en el Departamento de
Lenguajes y Ciencias de la Computación de la Universidad de Málaga, bajo
dirección de ambos, el trabajo de investigación correspondiente a su Tesis
Doctoral titulada:
Robust Optimization of Algorithmic Trading Systems
Revisado el presente trabajo, estimamos que puede ser presentado al
tribunal que ha de juzgarlo. Y para que conste a efectos de lo establecido en
la legislación vigente, autorizamos la presentación de la Tesis Doctoral en la
Universidad de Málaga.
En Málaga, 22 de Mayo de 2017
Dr. Francisco López Valverde Dr. Francisco Luna Valero

Abstract
GAs (Genetic Algorithms) and GP (Genetic Programming) are investigated
for finding robust Technical Trading Strategies (TTSs). TTSs evolved with
standard GA/GP techniques tend to suffer from over-fitting as the solutions
evolved are very fragile to small disturbances in the data. The main objec-
tive of this thesis is to explore optimization techniques for GA/GP which
produce robust TTSs that have a similar performance during both optimiza-
tion and evaluation, and are also able to operate in all market conditions
and withstand severe market shocks.
In this thesis, two novel techniques that increase the robustness of TTSs
and reduce over-fitting are described and compared to standard GA/GP op-
timization techniques and the traditional investment strategy Buy & Hold.
The first technique employed is a robust multi-market optimization method-
ologyusingaGA.Robustnessisincorporatedviatheenvironmentalvariables
of the problem, i.e. variablity in the dataset is introduced by conducting the
search for the optimum parameters over several market indices, in the hope
of exposing the GA to differing market conditions. This technique shows
an increase in the robustness of the solutions produced, with results also
showing an improvement in terms of performance when compared to those
offered by conducting the optimization over a single market.
The second technique is a random sampling method we use to discover
robust TTSs using GP. Variability is introduced in the dataset by randomly
sampling segments and evaluating each individual on different random sam-
ples. This technique has shown promising results, substantially beating Buy
& Hold.
Overall, this thesis concludes that Evolutionary Computation techniques
such as GA and GP combined with robust optimization methods are very
suitable for developing trading systems, and that the systems developed
using these techniques can be used to provide significant economic profits in
all market conditions.
vii

Resumen
Cuando las leyes de la matemática se
refieren a la realidad, no son ciertas;
cuando son ciertas, no se refieren a la
realidad.
Albert Einstein
I Introducción
Enlasdosúltimasdécadas,elAT(Algorithmic Trading)utilizandoEC(Evo-
lutionary Computation) ha atraído mucha atención de investigadores acadé-
micos tanto del ámbito de las finanzas, como del soft-computing (Aguilar-
Rivera et al., 2015; Hu et al., 2015). AT es un término comúnmente usado
para describir programas informáticos que automatizan una o más etapas
del proceso de negociación de activos en los mercados financieros.
Enlaactualidad,lossistemasdeATmanejanaproximadamentedel50%
al 60% de todas las acciones negociadas en los Estados Unidos y la Unión
Europea y es una fuente importante de innovación en computación, espe-
cialmente en aprendizaje computacional y en computación distribuida (Nuti
et al., 2011; Hendershott and Riordan, 2013). Estos sistemas se despliegan
en mercados muy líquidos en clases de activos tales como acciones, futuros,
derivados, bonos y divisas.
Los principales objetivos que esta tesis trata de abordar, son el diseñar
y optimizar TTSs (Technical Trading Strategies) robustas, dos problemas
clásicos en el ámbito del AT. Una TTS consiste en una serie de reglas o
condiciones que determinan si se compra o se vende un determinado instru-
mento financiero. Para abordar ambos problemas utilizamos técnicas de EC
a las que incorporamos métodos de optimización robusta.
La optimización y diseño de una TTS es muy similar a un problema de
aprendizaje computacional, donde estamos tratando de aprender el mejor
conjunto de parámetros de un modelo sobre un conjunto de datos histórico.
Para determinar cómo funcionarían las reglas obtenidas durante la optimi-
zación en el mundo real, necesitamos dividir los datos en dos subconjuntos
uno para entrenamiento y otro evaluación.
ix