对抗过拟合：cGAN 应用于策略调参
创建于 更新于
摘要
本报告提出基于条件生成对抗网络（cGAN）的量化策略参数调优框架，应对传统回测调参中存在的过拟合风险。利用cGAN生成大量拟真未来模拟路径，对备选参数进行大样本回测统计筛选，降低路径随机性与时序随机性导致的过拟合概率。实证以中债-国债总净价指数为标的的利率债趋势择时策略为例，结果显示基于cGAN调参策略表现优异，夏普比率显著高于传统方法，且回测稳健性良好，适用于不同债券久期组合。该方法通过numba等技术加速大规模回测，实用性强，同时存在深度学习模型黑箱、训练不收敛等风险 [page::0][page::3][page::8][page::12][page::23]。
