Überwachtes Autoencoder-Modell, Rauscherweiterung und Triple-Barrier-Labels

Zusammenfassung

Diese Studie untersucht überwachte Autoencoder für Finanzprognosen und deren Einfluss auf die Performance von Handelsstrategien. Sie kombiniert gelernte Repräsentationen mit fraktional differenzierten Merkmalen und Triple-Barrier-Labels und prüft, ob das Hinzufügen von Rauschen während des Trainings risikobereinigte Renditen verändert. Die Evaluierung nutzt Bitcoin-, Litecoin- und Ethereum-Daten von Januar 2016 bis April 2022; Sharpe- und Information-Ratios dienen als Performancemaße.

Die berichteten Ergebnisse legen nahe, dass eine sorgfältig abgestimmte Menge an Rauscherweiterung und ein geeigneter Autoencoder-Bottleneck die Wirksamkeit der Strategie verbessern können. Zu viel Rauschen oder ein übermäßig großer Bottleneck können die Performance mindern, daher müssen diese Einstellungen angepasst werden. Der Auszug nennt keine konkreten Ratio-Werte, Vergleichs-Benchmarks oder Einzelheiten zur Validierung und zu Handelskosten. Die Schlussfolgerungen beschreiben daher Ergebnisse für die genannten Vermögenswerte und den angegebenen Zeitraum, statt zu belegen, dass der Ansatz marktübergreifend oder im Live-Handel funktioniert.

Kernaussagen

• Die Studie bewertet überwachte Autoencoder für Finanzprognosen und die Performance von Handelsstrategien.
• Sie kombiniert fraktional differenzierte Merkmale mit Triple-Barrier-Labels.
• Rauscherweiterung und Bottleneck-Größe beeinflussen die gemessenen risikobereinigten Renditen.
• Die berichteten Ergebnisse sprechen für ausgewogene Einstellungen bei Rauschen und Bottleneck statt übermäßiger Werte.
• Der Auszug nennt weder numerische Ergebnisse noch ausreichende Validierungsdetails, um die breitere Anwendbarkeit zu beurteilen.

Schlagwörter

# 2411.12753


# Supervised Autoencoders with Fractionally Differentiated Features and Triple Barrier Labelling Enhance Predictions on Noisy Data









This paper investigates the enhancement of financial time series forecasting with the use of neural networks through supervised autoencoders (SAE), to improve investment strategy performance. Using the Sharpe and Information Ratios, it specifically examines the impact of noise augmentation and triple barrier labeling on risk-adjusted returns. The study focuses on Bitcoin, Litecoin, and Ethereum as the traded assets from January 1, 2016, to April 30, 2022. Findings indicate that supervised autoencoders, with balanced noise augmentation and bottleneck size, significantly boost strategy effectiveness. However, excessive noise and large bottleneck sizes can impair performance.

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.