پیش‌بینی اینفورمر با زیان جهت‌دار برای معاملات پربسامد بیت‌کوین

خلاصه

این مطالعه معماری پیش‌بینی اینفورمر را به‌عنوان پایه‌ای برای استراتژی‌های خودکار روی داده‌های پربسامد بیت‌کوین می‌آزماید. گونه‌هایی از مدل را با RMSE، زیان جهت‌دار میانگین قدرمطلق تعمیم‌یافته (GMADL) و زیان چندکی آموزش می‌دهد و سپس بازده‌های آتی پیش‌بینی‌شده را به استراتژی‌های معاملاتی تبدیل می‌کند. مقایسه‌ها شامل خرید و نگهداری و دو استراتژی مبتنی بر شاخص تکنیکال است. ارزیابی داده‌های بازه‌های 5 دقیقه، 15 دقیقه و 30 دقیقه را در شش دوره آزمون پوشش می‌دهد.

نتایج به تابع زیان و بسامد نمونه‌برداری وابسته‌اند. مدل زیان چندکی از معیارهای مقایسه بهتر عمل نمی‌کند؛ RMSE در بسامدهای بالاتر عملکرد ضعیف‌تری دارد، درحالی‌که GMADL از داده‌های پربسامدتر سود می‌برد. طبق شرح، در داده‌های بازه‌ای 5 دقیقه‌ای، GMADL در بیشتر دوره‌های آزمون از استراتژی‌های دیگر بهتر عمل می‌کند. این یافته‌ها نشان می‌دهند تابع زیانی که بر دقت جهت حرکت تأکید دارد ممکن است برای پیش‌بینی‌های معاملات پربسامد اهمیت داشته باشد. شواهد به دوره‌های بیت‌کوین و معیارهای مقایسه گزارش‌شده محدودند و خلاصه ارائه‌شده جزئیاتی درباره هزینه‌های تراکنش، بازده تعدیل‌شده بر اساس ریسک یا عملکرد بیرون از چارچوب آزموده‌شده ندارد.

ایده‌های کلیدی

• مطالعه پیش‌بینی بازده اینفورمر را به استراتژی‌های خودکار معاملات بیت‌کوین تبدیل می‌کند.
• این مطالعه RMSE، GMADL و زیان چندکی را با خرید و نگهداری و دو معیار مبتنی بر شاخص مقایسه می‌کند.
• در ارزیابی گزارش‌شده، زیان چندکی از معیارهای مقایسه بهتر عمل نمی‌کند.
• عملکرد RMSE با افزایش بسامد داده افت می‌کند، درحالی‌که GMADL از آن سود می‌برد.
• GMADL روی داده‌های بازه 5 دقیقه در بیشتر دوره‌ها از استراتژی‌های آزموده‌شده بهتر عمل می‌کند؛ این نتیجه در چارچوب ارزیابی مطالعه است.

برچسب‌ها

# 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.

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.