Informer-Prognosen mit Richtungsverlust für hochfrequentes Bitcoin-Trading

Zusammenfassung

Die Studie prüft die Informer-Prognosearchitektur als Grundlage automatisierter Strategien mit hochfrequenten Bitcoin-Daten. Sie trainiert Varianten mit RMSE, Generalized Mean Absolute Directional Loss (GMADL) und Quantilverlust und wandelt anschließend prognostizierte zukünftige Renditen in Handelsstrategien um. Zu den Vergleichen zählen Buy and Hold sowie zwei Strategien mit technischen Indikatoren. Die Auswertung umfasst Daten mit 5-, 15- und 30-Minuten-Auflösung über sechs Testzeiträume.

Die Ergebnisse hängen von der Verlustfunktion und der Abtastfrequenz ab. Das Modell mit Quantilverlust übertrifft die Benchmarks nicht; RMSE schneidet bei höheren Frequenzen schlechter ab, während GMADL von höherfrequenten Daten profitiert. Bei einer Auflösung von 5 Minuten übertrifft GMADL laut Beschreibung in den meisten Testzeiträumen die anderen Strategien. Diese Befunde legen nahe, dass eine auf Richtungsgenauigkeit ausgerichtete Verlustfunktion bei hochfrequenten Handelsprognosen eine Rolle spielen kann. Die Evidenz beschränkt sich auf die berichteten Bitcoin-Zeiträume und Benchmarks. Die vorliegende Zusammenfassung enthält keine Angaben zu Transaktionskosten, risikobereinigten Renditen oder zur Leistung außerhalb der getesteten Konfiguration.

Kernaussagen

• Die Studie wandelt Informer-Renditeprognosen in automatisierte Bitcoin-Handelsstrategien um.
• Sie vergleicht RMSE, GMADL und Quantilverlust mit Buy and Hold und zwei Indikator-Benchmarks.
• Quantilverlust übertrifft die Benchmarks in der berichteten Auswertung nicht.
• Die Leistung von RMSE nimmt bei höheren Datenfrequenzen ab, während GMADL davon profitiert.
• GMADL mit 5-Minuten-Daten übertrifft innerhalb der Studienauswertung in den meisten Zeiträumen die anderen getesteten Strategien.

Schlagwörter

# Informer in Algorithmic Investment Strategies on High Frequency Bitcoin Data


# Informer in Algorithmic Investment Strategies on High Frequency Bitcoin Data









The article investigates the usage of Informer architecture for building automated trading strategies for high frequency Bitcoin data. Three strategies using Informer model with different loss functions: Root Mean Squared Error (RMSE), Generalized Mean Absolute Directional Loss (GMADL) and Quantile loss, are proposed and evaluated against the Buy and Hold benchmark and two benchmark strategies based on technical indicators. The evaluation is conducted using data of various frequencies: 5 minute, 15 minute, and 30 minute intervals, over the 6 different periods. Although the Informer-based model with Quantile loss did not outperform the benchmark, two other models achieved better results. The performance of the model using RMSE loss worsens when used with higher frequency data while the model that uses novel GMADL loss function is benefiting from higher frequency data and when trained on 5 minute interval it beat all the other strategies on most of the testing periods. The primary contribution of this study is the application and assessment of the RMSE, GMADL, and Quantile loss functions with the Informer model to forecast future returns, subsequently using these forecasts to develop automated trading strategies. The research provides evidence that employing an Informer model trained with the GMADL loss function can result in superior trading outcomes compared to the buy-and-hold approach.

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.