طبقه‌بندی انتخابی در معامله‌گری با مدل‌های ممتنع
خلاصه
این پژوهش بررسی می‌کند که طبقه‌بندهایی که می‌توانند از پیش‌بینی امتناع کنند چگونه تصمیم‌های معاملاتی را شکل می‌دهند. طبقه‌بند جهت‌گیری استاندارد همیشه یک موقعیت بازار را ایجاب می‌کند، درحالی‌که طبقه‌بند انتخابی وقتی از پیش‌بینی صرف‌نظر می‌کند می‌تواند سبد را بدون سرمایه‌گذاری باقی بگذارد. مقاله طبقه‌بندی دودویی و طرح سه‌حالته‌ای را بررسی می‌کند که کلاسی برای تغییرات نسبتاً کوچک قیمت می‌افزاید و راه دیگری به مدل می‌دهد تا از پیش‌بینی جهت صرف‌نظر کند. انتخاب‌گری میان دقت پیش‌بینی و سهم ورودی‌هایی که برایشان پیش‌بینی انجام می‌شود بده‌بستان ایجاد می‌کند.
نویسندگان نسخه‌های انتخابی و غیرانتخابی هر دو طرح را در مجموعه‌های ویژگی و چهار خانواده مدل مقایسه می‌کنند: رگرسیون لجستیک، جنگل تصادفی، شبکه‌های پیش‌خور و شبکه‌های بازگشتی. آن‌ها از آموزش، اعتبارسنجی و آزمون پیش‌رونده استفاده می‌کنند و سپس راهبردهای حاصل را روی قراردادهای آتی کالا بک‌تست می‌کنند. نتایج تجربی گزارش‌شده از ظرفیت بالقوه طبقه‌بندی انتخابی در معامله‌گری حکایت دارند. چکیده ارقام عملکرد، فرض‌های هزینه یا استحکام فراتر از ویژگی‌ها و بازارهای ارزیابی‌شده را بیان نمی‌کند؛ بنابراین اثبات نمی‌کند که امتناع از پیش‌بینی در شرایط دیگر نتایج را بهبود می‌دهد.
ایده‌های کلیدی
- طبقه‌بندهای انتخابی می‌توانند از پیش‌بینی امتناع کنند و برای بعضی ورودی‌ها موقعیت معاملاتی نگیرند.
- پژوهش پیش‌بینی جهت دودویی را با طرحی سه‌حالته مقایسه می‌کند که کلاسی برای حرکت کوچک دارد.
- انتخاب‌گری میان دقت پیش‌بینی و پوشش فضای ویژگی‌های ورودی بده‌بستان ایجاد می‌کند.
- ارزیابی از بخش‌بندی پیش‌رونده استفاده می‌کند و چهار خانواده مدل را در مجموعه‌های ویژگی مقایسه می‌کند.
- راهبردها روی قراردادهای آتی کالا بک‌تست می‌شوند؛ نتایج ظرفیت بالقوه را نشان می‌دهند، اما کاربرد گسترده را ثابت نمی‌کنند.
برچسب‌ها
متن کامل
# 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.
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.