Entropiegestützte Erkennung prognostischer kurzfristiger Kursmuster

Zusammenfassung

Diese Arbeit schlägt einen Rahmen vor, um kurzfristige Muster in finanziellen Zeitreihen zu finden, die die künftige Kursrichtung anzeigen könnten. Durch das Clustern historischer Beispiele und das Aussortieren weniger nützlicher Muster sollen hochwertige, nicht überlappende Muster gefunden werden. Die Methode nutzt lokale Entropie als Näherungsmaß für den Informationsgehalt: Muster, die mit stark einseitigen historischen Bewegungen und niedriger lokaler Entropie verbunden sind, gelten als informativer. Außerdem soll eine ausgewogene Darstellung von Kauf- und Verkaufsmustern erhalten bleiben.

Die Autoren stellen den Ansatz K-means und Gaußschen Mischmodellen gegenüber. Sie argumentieren, dass herkömmliches Clustering verzerrte oder unausgewogene Gruppen erzeugen und durch übermäßige Aufteilung nützliche Muster verlieren kann. Ihr Rahmen gewichtet sowohl prognostische Reinheit als auch historische Profitabilität. Das Dokument beschreibt die Begründung und den angestrebten Vorteil, enthält jedoch weder Datensatz noch quantitative Ergebnisse, Validierungsdesign oder Belege aus dem Live-Handel. Die Aussagen zur Prognosekraft und Eignung für den Handel bleiben daher anhand der vorliegenden Informationen ungeprüft.

Kernaussagen

• Der Rahmen sucht in verrauschten Finanzzeitreihen nach nicht überlappenden kurzfristigen Mustern.
• Lokale Entropie dient als Näherungsmaß für den Informationsgehalt eines historischen Musters.
• Muster, die mit einseitigen historischen Bewegungen und niedriger lokaler Entropie verbunden sind, werden bevorzugt.
• Der Ansatz strebt ausgewogene Kauf- und Verkaufsgruppen an und vergleicht sich mit K-means und Gaußschem Mischungs-Clustering.
• Das Dokument liefert weder quantitative Validierung noch Belege für Ergebnisse im Live-Handel.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.