Prévisions Informer avec une perte directionnelle pour le trading haute fréquence du Bitcoin

Résumé

L’étude teste l’architecture de prévision Informer comme base de stratégies automatisées sur des données Bitcoin haute fréquence. Elle entraîne des variantes avec RMSE, la perte directionnelle absolue moyenne généralisée (GMADL) et la perte quantile, puis transforme les rendements futurs prévus en stratégies de trading. Les comparaisons incluent Buy and Hold et deux stratégies fondées sur des indicateurs techniques. L’évaluation porte sur des données à 5, 15 et 30 minutes, réparties sur six périodes de test.

Les résultats dépendent de la fonction de perte et de la fréquence d’échantillonnage. Le modèle à perte quantile ne dépasse pas les références ; RMSE obtient de moins bons résultats aux fréquences élevées, tandis que GMADL bénéficie de données à fréquence plus élevée. À une résolution de 5, GMADL dépasse les autres stratégies pendant la plupart des périodes de test, selon la description. Ces résultats suggèrent qu’une fonction de perte privilégiant la précision directionnelle peut compter pour les prévisions de trading haute fréquence. Les éléments présentés se limitent aux périodes Bitcoin et aux références indiquées, et la synthèse fournie ne précise ni les coûts de transaction, ni les rendements ajustés au risque, ni les performances en dehors du cadre testé.

Idées clés

• L’étude transforme les prévisions de rendement d’Informer en stratégies automatisées de trading du Bitcoin.
• Elle compare RMSE, GMADL et la perte quantile à Buy and Hold et à deux références fondées sur des indicateurs.
• Dans l’évaluation rapportée, la perte quantile ne dépasse pas les références.
• Les performances de RMSE baissent aux fréquences de données élevées, tandis que GMADL en bénéficie.
• Avec des données à 5, GMADL dépasse les autres stratégies testées pendant la plupart des périodes, dans le cadre de l’évaluation de l’étude.

Étiquettes

# 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.

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.