شناسایی الگوهای کوتاه‌مدت قیمت با کمک آنتروپی
خلاصه
این مقاله چارچوبی برای یافتن الگوهای کوتاه‌مدت در سری‌های زمانی مالی پیشنهاد می‌کند که ممکن است جهت آتی قیمت را نشان دهند. هدف، یافتن الگوهای باکیفیت و بدون هم‌پوشانی از طریق خوشه‌بندی نمونه‌های تاریخی و حذف نمونه‌های کم‌فایده‌تر است. این روش آنتروپی موضعی را جانشینی برای محتوای اطلاعاتی به کار می‌گیرد: الگوهای مرتبط با حرکت‌های تاریخی به‌شدت یک‌طرفه و آنتروپی موضعی پایین، اطلاع‌رسان‌تر تلقی می‌شوند. همچنین هدف آن حفظ بازنمایی متوازنی از الگوهای خرید و فروش است.
نویسندگان این رویکرد را با کی‌مینز و مدل‌های مخلوط گاوسی مقایسه می‌کنند و استدلالشان این است که خوشه‌بندی متعارف می‌تواند گروه‌های سوگیرانه یا نامتوازن ایجاد کند و بر اثر بخش‌بندی بیش‌ازحد، الگوهای مفید را از دست بدهد. چارچوب آن‌ها هم خلوص پیش‌بینی و هم سودآوری تاریخی را وزن می‌دهد. سند منطق و مزیت موردنظر را شرح می‌دهد، اما مجموعه‌داده، نتایج کمی، طراحی اعتبارسنجی یا شواهد معامله زنده ارائه نمی‌کند. بنابراین، ادعاهای مربوط به قدرت پیش‌بینی و مناسب‌بودن برای معامله‌گری بر پایه اطلاعات موجود تأیید نشده‌اند.
ایده‌های کلیدی
- چارچوب به‌دنبال الگوهای کوتاه‌مدت و بدون هم‌پوشانی در سری‌های زمانی مالی پرنویز است.
- آنتروپی موضعی به‌عنوان جانشینی برای محتوای اطلاعاتی یک الگوی تاریخی به کار می‌رود.
- الگوهای مرتبط با حرکت تاریخی یک‌طرفه و آنتروپی موضعی پایین در اولویت قرار می‌گیرند.
- این رویکرد به‌دنبال گروه‌های متوازن خرید و فروش است و با خوشه‌بندی کی‌مینز و مخلوط گاوسی مقایسه می‌شود.
- سند اعتبارسنجی کمی یا شواهدی از نتایج معامله زنده ارائه نمی‌کند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.