Identification assistée par l’entropie de configurations de prix prédictives à court terme

Résumé

Cet article propose un cadre pour repérer dans les séries temporelles financières des configurations à court terme susceptibles d’indiquer la direction future des prix. Il recherche des configurations de qualité, sans chevauchement, en regroupant des exemples historiques et en éliminant les moins utiles. La méthode utilise l’entropie locale comme indicateur indirect de la quantité d’information : les configurations associées à des mouvements historiques fortement orientés et à une faible entropie locale sont considérées comme plus informatives. Elle vise également à conserver une représentation équilibrée des configurations d’achat et de vente.

Les auteurs opposent cette approche aux méthodes K-means et aux modèles de mélanges gaussiens, en faisant valoir que les regroupements classiques peuvent produire des groupes biaisés ou déséquilibrés et perdre des configurations utiles par une segmentation excessive. Leur cadre accorde de l’importance à la fois à la pureté prédictive et à la rentabilité historique. Le document expose sa logique et son avantage visé, mais ne fournit ni jeu de données, ni résultats quantitatifs, ni protocole de validation, ni éléments issus du trading en réel. Les affirmations sur le pouvoir prédictif et l’adéquation au trading restent donc non vérifiées au vu des informations fournies.

Idées clés

• Le cadre recherche des configurations à court terme sans chevauchement dans des séries temporelles financières bruitées.
• L’entropie locale sert d’indicateur indirect de la quantité d’information d’une configuration historique.
• Les configurations associées à des mouvements historiques unidirectionnels et à une faible entropie locale sont prioritaires.
• L’approche vise des groupes équilibrés d’achats et de ventes et se compare aux méthodes K-means et aux mélanges gaussiens.
• Le document ne fournit aucune validation quantitative ni preuve de résultats en trading réel.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.