تحديد أنماط الأسعار قصيرة الأجل بمساعدة الإنتروبيا

الملخص

تقترح هذه الورقة إطاراً للعثور على أنماط قصيرة الأجل في السلاسل الزمنية المالية قد تشير إلى اتجاه السعر مستقبلاً. وتسعى إلى أنماط عالية الجودة وغير متداخلة من خلال تجميع الأمثلة التاريخية واستبعاد الأقل فائدة. وتستخدم الطريقة الإنتروبيا المحلية مؤشراً تقريبياً لمحتوى المعلومات: إذ تُعد الأنماط المرتبطة بتحركات تاريخية شديدة الانحياز إلى اتجاه واحد وإنتروبيا محلية منخفضة أكثر إفادة. كما تسعى إلى الإبقاء على تمثيل متوازن لأنماط الشراء والبيع.

ويقارن المؤلفون هذا النهج بـK-means ونماذج الخليط الغاوسي، بحجة أن التجميع التقليدي قد ينشئ مجموعات متحيزة أو غير متوازنة ويفقد أنماطاً مفيدة بسبب التجزئة المفرطة. ويولي إطارهم وزناً لكل من نقاء التنبؤ والربحية التاريخية. ويشرح المستند المبررات والميزة المقصودة، لكنه لا يقدم مجموعة بيانات أو نتائج كمية أو تصميم تحقق أو أدلة على التداول الفعلي. لذلك تظل ادعاءاته بشأن القدرة التنبؤية والملاءمة للتداول غير متحققة بالمعلومات المقدمة.

الأفكار الرئيسية

• يبحث الإطار عن أنماط قصيرة الأجل غير متداخلة في سلاسل زمنية مالية مشوشة.
• تُستخدم الإنتروبيا المحلية مؤشراً تقريبياً لمحتوى المعلومات في نمط تاريخي.
• تُعطى الأولوية للأنماط المرتبطة بحركة تاريخية أحادية الاتجاه وإنتروبيا محلية منخفضة.
• يسعى النهج إلى مجموعات متوازنة للشراء والبيع ويقارن نفسه بالتجميع باستخدام K-means والخليط الغاوسي.
• لا يقدم المستند تحققاً كمياً أو دليلاً على نتائج التداول الفعلي.

الوسوم

# Entropy-Assisted Quality Pattern Identification in Finance


# Entropy-Assisted Quality Pattern Identification in Finance









Short-term patterns in financial time series form the cornerstone of many algorithmic trading strategies, yet extracting these patterns reliably from noisy market data remains a formidable challenge. In this paper, we propose an entropy-assisted framework for identifying high-quality, non-overlapping patterns that exhibit consistent behavior over time. We ground our approach in the premise that historical patterns, when accurately clustered and pruned, can yield substantial predictive power for short-term price movements. To achieve this, we incorporate an entropy-based measure as a proxy for information gain. Patterns that lead to high one-sided movements in historical data, yet retain low local entropy, are more informative in signaling future market direction. Compared to conventional clustering techniques such as K-means and Gaussian Mixture Models (GMM), which often yield biased or unbalanced groupings, our approach emphasizes balance over a forced visual boundary, ensuring that quality patterns are not lost due to over-segmentation. By emphasizing both predictive purity (low local entropy) and historical profitability, our method achieves a balanced representation of Buy and Sell patterns, making it better suited for short-term algorithmic trading strategies.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.