您是否在自舉時間序列上優化模型？

作為 Quants，我們很快學會了優化模型，通過將模型擬合到歷史時間序列，例如某些股票的歷史每日收益。

但是，歷史上的每日收益序列只是一個實現，在許多可能源自相同的每日收益分佈的序列中。

因此，如果我將我的模型擬合到特定的每日收益實現——恰好是歷史序列——我可能會過度擬合模型。

優化模型不是更正確嗎，基於 N個增強的每日收益序列，所有這些都源自實際的歷史序列？

在從愚蠢到行業標準的範圍內，這種技術會在哪裡？**😋

時間序列數據的模擬不是一件小事，有許多方法可以確保您保留一些相關屬性（主要稱為依賴引導方法）：

• 塊引導- 選擇連續的數據塊，以便它們足夠大以保留重要的自相關。
• 固定引導- 隨機塊大小
• 基於模型的引導- 擬合模型（例如 ARIMA）和引導殘差（IID 在理論上是可以的）。
• Monte Carlo - 擬合模型並根據殘差的理論分佈進行模擬。
• 條件 GAN - 以相關時間序列數據為條件並生成挑戰適當鑑別器的數據。

許多這些方法用於生成必要的統計數據，以測試許多可能策略中的一種是否具有統計上顯著的回報/夏普/其他績效指標。White 的現實檢查測試及其許多變體（由 Romano-Wolf 和 Hansen 等人的模型置信集）使用此多重假設測試框架在許多模型之間進行測試。這是一種模型選擇，與超參數微調非常相似。在我們的論文 GAN for Trading Strategies中，我們嘗試進行相對全面的文獻綜述，並使用 cGAN 生成更多數據進行微調。我們發現，總的來說，模型組合/集成方法效果更好。

無論如何，為更強大的預測器/更好的樣本外性能生成新數據的概念是相當合理的。

引用自：https://quant.stackexchange.com/questions/43562