Selektive Klassifikation für den Handel mit Modellen, die Prognosen auslassen

Zusammenfassung

Diese Studie untersucht, wie Klassifikatoren, die eine Prognose auslassen können, Handelsentscheidungen beeinflussen. Ein herkömmlicher Richtungs-Klassifikator impliziert immer eine Marktposition; ein selektiver Klassifikator kann das Portfolio dagegen unverändert lassen, wenn er keine Prognose abgibt. Die Arbeit betrachtet eine binäre Klassifikation und eine dreiklassige Variante, die eine Klasse für relativ kleine Kursbewegungen ergänzt. So erhält das Modell eine weitere Möglichkeit, eine Richtungsentscheidung zu vermeiden. Selektivität schafft einen Zielkonflikt zwischen Prognosegenauigkeit und dem Anteil der Eingaben, für die Prognosen abgegeben werden.

Die Autoren vergleichen selektive und nicht selektive Varianten beider Ansätze über verschiedene Merkmalsmengen und vier Modellfamilien hinweg: logistische Regression, Random Forests, Feedforward-Netze und rekurrente Netze. Sie verwenden Walk-Forward-Training, -Validierung und -Tests und unterziehen die resultierenden Strategien anschließend einem Backtest mit Rohstoff-Futures. Die berichteten empirischen Ergebnisse deuten auf Potenzial für selektive Klassifikation im Handel hin. Das Abstract nennt weder Leistungskennzahlen und Kostenannahmen noch die Robustheit außerhalb der untersuchten Merkmale und Märkte. Es belegt daher nicht, dass das Auslassen von Prognosen in anderen Situationen die Ergebnisse verbessert.

Kernaussagen

• Selektive Klassifikatoren können Prognosen auslassen, sodass für manche Eingaben keine Handelsposition entsteht.
• Die Studie vergleicht die binäre Richtungsprognose mit einem dreiklassigen Ansatz, der eine Klasse für kleine Bewegungen enthält.
• Selektivität bedeutet einen Zielkonflikt zwischen Prognosegenauigkeit und Abdeckung des Eingabemerkmalsraums.
• Die Evaluierung nutzt Walk-Forward-Aufteilungen und vergleicht vier Modellfamilien über verschiedene Merkmalsmengen hinweg.
• Die Strategien werden mit Rohstoff-Futures einem Backtest unterzogen. Die Ergebnisse deuten auf Potenzial hin, belegen aber keine breite Anwendbarkeit.

Schlagwörter

# 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.

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.