التصنيف الانتقائي للتداول بنماذج تمتنع عن التنبؤ

الملخص

تبحث هذه الدراسة كيف يمكن للمصنفات التي تمتنع عن التنبؤ أن تؤثر في قرارات التداول. ويشير مصنف الاتجاه المعياري دائماً إلى اتخاذ مركز في السوق، بينما يمكن للمصنف الانتقائي إبقاء المحفظة دون استثمار عندما يقرر عدم التنبؤ. وتتناول الورقة التصنيف الثنائي وإعداداً ثلاثياً يضيف فئة لتحركات الأسعار الصغيرة نسبياً، ما يمنح النموذج طريقة أخرى لتجنب اتخاذ قرار اتجاهي. وينشأ عن الانتقائية مفاضلة بين دقة التنبؤ ونسبة المدخلات التي تحصل على توقعات.

يقارن المؤلفون النسخ الانتقائية وغير الانتقائية من كلا الإعدادين عبر مجموعات السمات وأربع عائلات من النماذج: الانحدار اللوجستي والغابات العشوائية والشبكات ذات التغذية الأمامية والشبكات المتكررة. ويستخدمون التدريب والتحقق والاختبار بالتقدم المتحرك، ثم يجرون اختباراً تاريخياً للاستراتيجيات الناتجة على العقود الآجلة للسلع. وتشير النتائج التجريبية المبلغ عنها إلى إمكانات التصنيف الانتقائي في التداول. ولا تذكر الخلاصة أرقام الأداء أو افتراضات التكلفة أو المتانة خارج السمات والأسواق المقيمة؛ لذا فهي لا تثبت أن الامتناع عن التنبؤ سيحسن النتائج في حالات أخرى.

الأفكار الرئيسية

• يمكن للمصنفات الانتقائية الامتناع عن التنبؤ، ما يؤدي إلى عدم اتخاذ مركز تداول لبعض المدخلات.
• تقارن الدراسة بين توقع الاتجاه الثنائي وإعداد ثلاثي يتضمن فئة للتحركات الصغيرة.
• تنطوي الانتقائية على مفاضلة بين دقة التنبؤ وتغطية فضاء السمات المدخلة.
• يستخدم التقييم تقسيمات بالتقدم المتحرك ويقارن أربع عائلات من النماذج عبر مجموعات السمات.
• تُختبر الاستراتيجيات تاريخياً على العقود الآجلة للسلع؛ وتشير النتائج إلى إمكانات دون إثبات قابلية التطبيق على نطاق واسع.

الوسوم

# Trading via Selective Classification


# Trading via Selective Classification









A binary classifier that tries to predict if the price of an asset will increase or decrease naturally gives rise to a trading strategy that follows the prediction and thus always has a position in the market. Selective classification extends a binary or many-class classifier to allow it to abstain from making a prediction for certain inputs, thereby allowing a trade-off between the accuracy of the resulting selective classifier against coverage of the input feature space. Selective classifiers give rise to trading strategies that do not take a trading position when the classifier abstains. We investigate the application of binary and ternary selective classification to trading strategy design. For ternary classification, in addition to classes for the price going up or down, we include a third class that corresponds to relatively small price moves in either direction, and gives the classifier another way to avoid making a directional prediction. We use a walk-forward train-validate-test approach to evaluate and compare binary and ternary, selective and non-selective classifiers across several different feature sets based on four classification approaches: logistic regression, random forests, feed-forward, and recurrent neural networks. We then turn these classifiers into trading strategies for which we perform backtests on commodity futures markets. Our empirical results demonstrate the potential of selective classification for trading.

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.