Evaluación de clasificadores SVM frente a una referencia de clase mayoritaria en FX

Resumen

El artículo presenta máquinas de vectores de soporte para clasificar los rendimientos de divisas del día siguiente. Explica los límites de margen máximo, los márgenes flexibles que permiten algunos errores de clasificación y el truco del kernel para representar límites no lineales en un espacio de características de mayor dimensión. Después describe un modelo que usa el precio de las divisas y características de rendimientos rezagados, un kernel de grado tres y una búsqueda en cuadrícula con validación cruzada de tres particiones para seleccionar parámetros.

La comparación presentada muestra que ni la regresión lineal ni SVM superan de forma fiable una referencia de predicción aleatoria del 50% en distintas divisas. Las divisiones aleatorias repetidas entre entrenamiento y prueba muestran ventajas ocasionales de SVM, incluida una precisión direccional media indicada de 54% para USD/JPY. Sin embargo, la comparación con una referencia que siempre predice la clase más frecuente del conjunto de entrenamiento muestra que gran parte de la precisión aparente se debe al desequilibrio entre clases; SVM solo aporta unos dos puntos porcentuales de información predictiva no lineal. El artículo señala que esta información es difícil de interpretar y no ofrece pruebas de que los resultados se traduzcan en operaciones rentables después de costes o en otros periodos.

Ideas clave

• Los clasificadores SVM eligen un límite de decisión que equilibra un margen amplio con las penalizaciones por observaciones mal clasificadas.
• Las funciones kernel permiten establecer límites de clase no lineales sin calcular explícitamente una representación de características de alta dimensión.
• El estudio prueba la dirección de las divisas del día siguiente usando precios y rendimientos rezagados, y ajusta el modelo mediante validación cruzada.
• Conviene comparar la precisión con una referencia de clase mayoritaria, ya que el desequilibrio entre clases puede hacer que las referencias ingenuas resulten engañosas.
• La mejora SVM indicada es modesta y difícil de interpretar; la precisión direccional por sí sola no demuestra que operar sea rentable.

Etiquetas

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