Implementacja i efektywność metod uczenia maszynowego w optymalizacji algorytmicznych strategii inwestycyjnych

Głównym celem artykułu jest sformułowanie i przeanalizowanie metod uczenia maszynowego (machine learning, ML), adekwatnych do specyfiki zagadnienia optymalizacji parametrów strategii inwestycyjnych. Najważniejsze wyzwania wynikają z wrażliwości wyników strategii na małe zmiany parametrów oraz występowania licznych, lokalnych ekstremów, nieregularnie rozłożonych w przestrzeni rozwiązań. Metody ML, wykorzystane w artykule, zostały zaprojektowane w taki sposób, aby istotnie skrócić czas obliczeń, bez dużej utraty efektywności strategii. Efektywność analizowanych metod została porównana na przykładzie trzech par aktywów, jednakże z uwagi na podobieństwo wniosków, w pracy zostały przedstawione jedynie wyniki dla kontraktów na indeksy akcyjne (indeks S&P500 i DAX) dla systemu przecięcia średnich kroczących. Metody ML były wykonywane dla dziennych danych w okresie od 1998 do 2017 roku. Główna hipoteza badawcza pracy mówi, że testowane metody ML wybierają strategie ze zbliżoną wartością do maksymalnego kryterium optymalizacyjnego, ale wykonują to działanie w istotnie krótszym czasie niż standardowe podejście przeszukujące całą siatkę parametrów.