Autoencoders supervisados, aumento de ruido y etiquetas de triple barrera

Resumen

Este estudio analiza autoencoders supervisados para la previsión financiera y su efecto en el rendimiento de las estrategias de trading. Combina representaciones aprendidas con características diferenciadas fraccionalmente y etiquetas de triple barrera, y estudia si añadir ruido durante el entrenamiento modifica los rendimientos ajustados al riesgo. La evaluación utiliza datos de Bitcoin, Litecoin y Ethereum entre enero de 2016 y abril de 2022, con los ratios de Sharpe e información como medidas de rendimiento.

Los resultados señalados sugieren que una cantidad equilibrada de aumento de ruido y un cuello de botella adecuado en el autoencoder pueden mejorar la eficacia de la estrategia. Demasiado ruido o un cuello de botella excesivamente grande pueden reducir el rendimiento, por lo que hay que ajustar estos parámetros. El fragmento no ofrece valores específicos de los ratios, referencias de comparación ni detalles sobre la validación y los costes de trading. Por tanto, sus conclusiones describen resultados para los activos y el periodo indicados, pero no demuestran que el enfoque funcione en otros mercados o en trading real.

Ideas clave

• El estudio evalúa autoencoders supervisados para la previsión financiera y el rendimiento de estrategias.
• Combina características diferenciadas fraccionalmente con etiquetas de triple barrera.
• El aumento de ruido y el tamaño del cuello de botella afectan a los rendimientos ajustados al riesgo medidos.
• Los resultados señalados favorecen niveles equilibrados de ruido y tamaño del cuello de botella frente a valores excesivos.
• El fragmento no ofrece resultados numéricos ni suficientes detalles de validación para evaluar una aplicabilidad más amplia.

Etiquetas

# 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.

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.