پیش‌بینی جهت کوتاه‌مدت قراردادهای آتی نقره با TabNet
خلاصه
این پژوهش تغییرات جهت کوتاه‌مدت یک قرارداد آتی را با استفاده از ویژگی‌های تحلیل تکنیکال، جریان سفارش و داده‌های دفتر سفارش پیش‌بینی می‌کند. مدلی از یادگیری عمیق TabNet را با ترکیب این ورودی‌ها برای طبقه‌بندی جهت حرکت بعدی روی قراردادهای آتی نقره پذیرفته‌شده در بورس آتی شانگهای آموزش می‌دهد.
دقت گزارش‌شده برای دوره ارزیابی انتخاب‌شده 0.601 است. سند جزئیات کمی درباره دوره، آماده‌سازی داده، طراحی اعتبارسنجی، هزینه‌های معامله یا عملکرد در مقایسه با یک معیار مبنا ارائه می‌کند. بنابراین نتیجه، آزمایشی برای پیش‌بینی را توصیف می‌کند و ثابت نمی‌کند که مدل معاملات سودآور ایجاد می‌کند یا به قراردادها و شرایط بازار دیگر تعمیم می‌یابد.
ایده‌های کلیدی
- مدل، شاخص‌های تکنیکال، ویژگی‌های جریان سفارش و داده‌های دفتر سفارش را ترکیب می‌کند.
- از TabNet برای پیش‌بینی تغییرات جهت کوتاه‌مدت قراردادهای آتی نقره استفاده می‌شود.
- دقت گزارش‌شده در دوره انتخاب‌شده 0.601 است.
- توصیف کوتاه، سودآوری یا عملکرد فراتر از قرارداد و دوره بررسی‌شده را ثابت نمی‌کند.
برچسب‌ها
متن کامل
# Neural Network and Order Flow, Technical Analysis: Predicting short-term direction of futures contract # Neural Network and Order Flow, Technical Analysis: Predicting short-term direction of futures contract Predictions of short-term directional movement of the futures contract can be challenging as its pricing is often based on multiple complex dynamic conditions. This work presents a method for predicting the short-term directional movement of an underlying futures contract. We engineered a set of features from technical analysis, order flow, and order-book data. Then, Tabnet, a deep learning neural network, is trained using these features. We train our model on the Silver Futures Contract listed on Shanghai Futures Exchange and achieve an accuracy of 0.601 on predicting the directional change during the selected period.
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.