Using a Financial Training Criterion Rather than a Prediction Criterion

Abstract

Ce rapport présente une application des algorithmes d'apprentissage aux séries chronologiques financières. L'approche traditionnelle est basée sur l'estimation d'un modèle de prédiction, qui minimise par exemple l'erreur quadratique entre les prédictions et les réalisations de la variable à prédire, ou qui maximise la vraisemblance d'un modèle conditionnel de la variable dépendante. Nos résultats sur des séries financières montrent que de meilleurs résultats peuvent être obtenus quand les paramètres du modèles sont plutôt choisis de manière à maximiser le critère financier voulu, ici les profits en tenant compte des pertes attribuables aux transactions. Des expériences réalisées avec 35 titres canadiens sont décrites.

The application of this work is to decision taking with financial time-series, using learning algorithms. The traditional approach is to train a model using a prediction criterion, such as minimizing the squared error between predictions and actual values of a dependent variable, or maximizing the likelihood of a conditional model of the dependent variable. We find here with noisy time-series that better results can be obtained when the model is directly trained in order to maximize the financial criterion of interest, here gains and losses (including those due to transactions) incurred during trading. Experiments were performed on portfolio selection with 35 Canadian stocks