Autoencodeurs supervisés, augmentation du bruit et étiquettes à triple barrière

Résumé

Cette étude examine les autoencodeurs supervisés pour la prévision financière et leur effet sur les performances des stratégies de trading. Elle associe des représentations apprises à des caractéristiques différenciées fractionnellement et à des étiquettes à triple barrière, puis teste si l’ajout de bruit pendant l’entraînement modifie les rendements ajustés au risque. L’évaluation utilise des données sur le Bitcoin, le Litecoin et l’Ethereum couvrant janvier 2016 à avril 2022, avec les ratios de Sharpe et d’information comme mesures de performance.

Les résultats rapportés suggèrent qu’une augmentation du bruit soigneusement dosée et un goulot d’étranglement d’autoencodeur adapté peuvent améliorer l’efficacité de la stratégie. Un excès de bruit ou un goulot d’étranglement trop large peut réduire les performances ; ces paramètres doivent donc être ajustés. L’extrait ne fournit ni valeurs précises des ratios, ni références de comparaison, ni détails sur la validation et les coûts de trading. Ses conclusions décrivent donc les résultats obtenus pour les actifs et la période indiqués, sans établir que l’approche fonctionnera sur d’autres marchés ou en trading réel.

Idées clés

• L’étude évalue les autoencodeurs supervisés pour la prévision financière et les performances des stratégies.
• Elle associe des caractéristiques différenciées fractionnellement à des étiquettes à triple barrière.
• L’augmentation du bruit et la taille du goulot d’étranglement influent sur les rendements ajustés au risque mesurés.
• Les résultats rapportés favorisent un dosage modéré du bruit et une taille de goulot d’étranglement adaptée plutôt que des valeurs excessives.
• L’extrait ne donne pas de résultats chiffrés ni assez de détails de validation pour évaluer l’applicabilité à d’autres contextes.

Étiquettes

# 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.

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.