خودرمزگذارهای نظارت‌شده، افزایش نویز و برچسب‌های سد سه‌گانه
خلاصه
این پژوهش خودرمزگذارهای نظارت‌شده را برای پیش‌بینی مالی و اثر آن‌ها بر عملکرد استراتژی معاملاتی بررسی می‌کند. این روش بازنمایی‌های آموخته‌شده را با ویژگی‌های تفاضل‌گیری کسری و برچسب‌های سد سه‌گانه ترکیب می‌کند و می‌سنجد که آیا افزودن نویز هنگام آموزش، بازده تعدیل‌شده بر مبنای ریسک را تغییر می‌دهد یا نه. ارزیابی با داده‌های بیت‌کوین، لایت‌کوین و اتریوم از ژانویه 2016 تا آوریل 2022 انجام شده و نسبت‌های شارپ و اطلاعات معیارهای عملکرد هستند.
یافته‌های گزارش‌شده نشان می‌دهند که مقدار متعادلی از افزایش نویز و اندازه مناسبی برای گلوگاه خودرمزگذار می‌توانند اثربخشی استراتژی را بهبود دهند. نویز بیش از حد یا گلوگاهی بسیار بزرگ می‌تواند عملکرد را کاهش دهد؛ بنابراین این تنظیمات باید بهینه شوند. این گزیده مقادیر مشخص نسبت‌ها، معیارهای مقایسه یا جزئیات اعتبارسنجی و هزینه‌های معامله را ارائه نمی‌کند. در نتیجه، نتیجه‌گیری‌ها به دارایی‌ها و دوره نمونه ذکرشده محدودند و نشان نمی‌دهند که این رویکرد در بازارها یا شرایط معامله زنده نیز کارآمد خواهد بود.
ایده‌های کلیدی
- این پژوهش خودرمزگذارهای نظارت‌شده را برای پیش‌بینی مالی و عملکرد استراتژی ارزیابی می‌کند.
- این روش ویژگی‌های تفاضل‌گیری کسری را با برچسب‌های سد سه‌گانه ترکیب می‌کند.
- افزایش نویز و اندازه گلوگاه بر بازده تعدیل‌شده بر مبنای ریسکِ اندازه‌گیری‌شده اثر می‌گذارند.
- نتایج گزارش‌شده تنظیمات متعادل نویز و گلوگاه را به مقادیر بیش از حد ترجیح می‌دهند.
- این گزیده نتایج عددی یا جزئیات اعتبارسنجی کافی برای ارزیابی کاربردپذیری گسترده‌تر را ارائه نمی‌کند.
برچسب‌ها
متن کامل
# 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.
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.