Clasificación selectiva para trading con modelos que se abstienen

Resumen

Este estudio analiza cómo los clasificadores que pueden abstenerse de predecir influyen en las decisiones de trading. Un clasificador direccional estándar siempre implica una posición de mercado, mientras que uno selectivo puede dejar la cartera sin invertir cuando decide no predecir. El artículo considera una clasificación binaria y otra ternaria que añade una clase para movimientos de precios relativamente pequeños, lo que ofrece al modelo otra forma de evitar una predicción direccional. La selectividad plantea un equilibrio entre la precisión de las predicciones y la proporción de datos para los que se predice.

Los autores comparan versiones selectivas y no selectivas de ambas configuraciones con distintos conjuntos de características y cuatro familias de modelos: regresión logística, bosques aleatorios, redes feed-forward y redes recurrentes. Utilizan entrenamiento, validación y pruebas walk-forward, y después hacen backtest de las estrategias resultantes en futuros de materias primas. Los resultados empíricos indican que la clasificación selectiva podría ser útil en trading. El resumen no indica cifras de rendimiento, supuestos de costes ni solidez más allá de las características y mercados evaluados, así que no demuestra que abstenerse de predecir mejore los resultados en otros contextos.

Ideas clave

• Los clasificadores selectivos pueden abstenerse, lo que deja algunas entradas sin una posición de trading.
• El estudio compara la predicción direccional binaria con una configuración ternaria que incluye una clase para movimientos pequeños.
• La selectividad implica un equilibrio entre la precisión predictiva y la cobertura del espacio de características de entrada.
• La evaluación utiliza divisiones walk-forward y compara cuatro familias de modelos con distintos conjuntos de características.
• Las estrategias se someten a backtest con futuros de materias primas; los resultados sugieren potencial, pero no demuestran una aplicabilidad general.

Etiquetas

# 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.

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.