Previsión Informer con pérdida direccional para trading de alta frecuencia con Bitcoin

Resumen

El estudio prueba la arquitectura de previsión Informer como base para estrategias automatizadas con datos de Bitcoin de alta frecuencia. Entrena variantes con RMSE, pérdida direccional absoluta media generalizada (GMADL) y pérdida cuantílica, y después convierte los rendimientos futuros previstos en estrategias de trading. Las comparaciones incluyen comprar y mantener y dos estrategias basadas en indicadores técnicos. La evaluación abarca datos de 5, 15 y 30 minutos en seis periodos de prueba.

Los resultados dependen de la función de pérdida y la frecuencia de muestreo. El modelo con pérdida cuantílica no supera los benchmarks; RMSE rinde peor a frecuencias más altas, mientras que GMADL se beneficia de los datos de mayor frecuencia. Según la descripción, con una resolución de 5 minutos, GMADL supera a las demás estrategias en la mayoría de los periodos de prueba. Estos hallazgos sugieren que una función de pérdida que dé importancia a la precisión direccional puede ser relevante en las previsiones de trading de alta frecuencia. La evidencia se limita a los periodos de Bitcoin y benchmarks indicados, y el resumen no aporta detalles sobre costes de transacción, rendimientos ajustados al riesgo ni rendimiento fuera de la configuración probada.

Ideas clave

• El estudio convierte las previsiones de rendimientos de Informer en estrategias automatizadas de trading con Bitcoin.
• Compara RMSE, GMADL y la pérdida cuantílica con comprar y mantener y dos benchmarks basados en indicadores.
• La pérdida cuantílica no supera los benchmarks en la evaluación comunicada.
• El rendimiento de RMSE disminuye con frecuencias de datos más altas, mientras que GMADL se beneficia de ellas.
• GMADL con datos de 5 minutos supera a las demás estrategias probadas en la mayoría de los periodos, dentro de la evaluación del estudio.

Etiquetas

# 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.

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.