Identificación de patrones de precios a corto plazo con ayuda de la entropía

Resumen

Este artículo propone un marco para encontrar patrones a corto plazo en series temporales financieras que podrían indicar la dirección futura de los precios. Busca patrones de calidad y sin solapamiento mediante la agrupación de ejemplos históricos y la eliminación de los menos útiles. El método utiliza la entropía local como aproximación al contenido informativo: considera más informativos los patrones asociados a movimientos históricos marcadamente unidireccionales y con baja entropía local. También busca conservar una representación equilibrada de los patrones de compra y venta.

Los autores comparan este enfoque con K-means y los modelos de mezcla gaussiana y sostienen que la agrupación convencional puede crear grupos sesgados o desequilibrados y perder patrones útiles por una segmentación excesiva. El marco da importancia tanto a la pureza predictiva como a la rentabilidad histórica. El documento explica la lógica y la ventaja que pretende ofrecer, pero no aporta datos, resultados cuantitativos, diseño de validación ni evidencia de trading real. Por tanto, la información disponible no verifica sus afirmaciones sobre capacidad predictiva e idoneidad para el trading.

Ideas clave

• El marco busca patrones a corto plazo sin solapamiento en series temporales financieras ruidosas.
• La entropía local se utiliza como aproximación al contenido informativo de un patrón histórico.
• Se priorizan los patrones vinculados a movimientos históricos unidireccionales y a una entropía local baja.
• El enfoque busca grupos equilibrados de compra y venta y se compara con K-means y la agrupación por mezclas gaussianas.
• El documento no aporta validación cuantitativa ni evidencia de resultados en trading real.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.