Passer au contenu
Tous les documents de la bibliothèque

Prévision par TabNet des mouvements à court terme des contrats à terme sur l’argent

Article arXiv papers · Auteur: Yiyang Zheng

Résumé

Cette étude prédit les changements directionnels à court terme d’un contrat à terme à partir de variables d’analyse technique, de flux d’ordres et de données du carnet d’ordres. Elle entraîne un modèle d’apprentissage profond TabNet sur des contrats à terme sur l’argent cotés à la Bourse des contrats à terme de Shanghai et combine ces données pour classer la direction du prochain mouvement.

La précision rapportée est de 0.601 pour la période d’évaluation choisie. Le document donne peu de détails sur la période, la préparation des données, le protocole de validation, les coûts de trading ou les performances par rapport à une référence. Le résultat décrit donc une expérience de prévision et n’établit pas que le modèle produirait des transactions rentables ou se généraliserait à d’autres contrats et conditions de marché.

Idées clés

  • Le modèle combine des indicateurs techniques, des caractéristiques du flux d’ordres et des données du carnet d’ordres.
  • TabNet sert à prévoir les changements directionnels à court terme des contrats à terme sur l’argent.
  • La précision rapportée est de 0.601 sur la période sélectionnée.
  • La brève description n’établit ni rentabilité ni performance en dehors du contrat et de la période étudiés.

Étiquettes

Texte intégral
# 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.

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.