Classification sélective pour le trading avec modèles capables de s’abstenir

Résumé

Cette étude examine comment les classificateurs capables de s’abstenir de prédire peuvent orienter les décisions de trading. Un classificateur directionnel classique implique toujours une position de marché, tandis qu’un classificateur sélectif peut laisser le portefeuille sans investissement lorsqu’il renonce à prédire. L’article examine une classification binaire et une configuration ternaire qui ajoute une classe pour les mouvements de prix relativement faibles, offrant au modèle une autre manière d’éviter une prévision directionnelle. La sélectivité crée un compromis entre la précision des prédictions et la proportion des entrées pour lesquelles une prédiction est produite.

Les auteurs comparent les versions sélectives et non sélectives des deux configurations sur plusieurs ensembles de caractéristiques et quatre familles de modèles : régression logistique, forêts aléatoires, réseaux à propagation avant et réseaux récurrents. Ils utilisent un entraînement, une validation et un test walk-forward, puis effectuent un backtest des stratégies obtenues sur des contrats à terme sur matières premières. Les résultats empiriques rapportés indiquent un potentiel de la classification sélective pour le trading. Le résumé ne précise ni les chiffres de performance, ni les hypothèses de coûts, ni la robustesse au-delà des caractéristiques et marchés évalués ; il n’établit donc pas que l’abstention améliorera les résultats dans d’autres contextes.

Idées clés

• Les classificateurs sélectifs peuvent s’abstenir, ce qui entraîne l’absence de position de trading pour certaines entrées.
• L’étude compare la prédiction directionnelle binaire à une configuration ternaire qui inclut une classe de faibles mouvements.
• La sélectivité crée un compromis entre la précision des prédictions et la part des entrées pour lesquelles le modèle fournit une prédiction.
• L’évaluation utilise des divisions walk-forward et compare quatre familles de modèles sur plusieurs ensembles de caractéristiques.
• Les stratégies sont backtestées sur des contrats à terme sur matières premières ; les résultats suggèrent un potentiel sans prouver une applicabilité générale.

Étiquettes

# 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.

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.