עבור לתוכן
כל מסמכי הספרייה

תחזיות Informer עם פונקציית הפסד כיוונית למסחר ביטקוין בתדירות גבוהה

מאמר arXiv papers · מחבר: Filip Stefaniuk et al.
לקריאת המקור

סיכום

המחקר בוחן את ארכיטקטורת החיזוי Informer כבסיס לאסטרטגיות אוטומטיות על נתוני ביטקוין בתדירות גבוהה. הוא מאמן גרסאות עם RMSE, ‏Generalized Mean Absolute Directional Loss ‏(GMADL) ו־quantile loss, ואז ממיר תחזיות של תשואות עתידיות לאסטרטגיות מסחר. ההשוואות כוללות קנייה והחזקה ושתי אסטרטגיות המבוססות על מדדים טכניים. ההערכה כוללת נתונים במרווחים של 5, ‏15 ו־30 דקות בשש תקופות בדיקה.

התוצאות תלויות בפונקציית ההפסד ובתדירות הדגימה. המודל עם quantile loss אינו גובר על מדדי הייחוס; RMSE מציג ביצועים חלשים יותר בתדירויות גבוהות, ואילו GMADL מפיק תועלת מנתונים בתדירות גבוהה יותר. ברזולוציה של 5 דקות, GMADL גובר על האסטרטגיות האחרות ברוב תקופות הבדיקה, לפי התיאור. ממצאים אלה מצביעים על כך שפונקציית הפסד המדגישה דיוק כיווני עשויה להיות חשובה לתחזיות מסחר בתדירות גבוהה. הראיות מוגבלות לתקופות ולמדדי הייחוס של הביטקוין שדווחו, והתקציר שסופק אינו מפרט עלויות עסקה, תשואות מותאמות סיכון או ביצועים מחוץ להגדרה שנבדקה.

רעיונות מרכזיים

  • המחקר ממיר תחזיות התשואה של Informer לאסטרטגיות מסחר אוטומטיות בביטקוין.
  • הוא משווה בין RMSE, ‏GMADL ו־quantile loss לבין קנייה והחזקה ושני מדדי ייחוס המבוססים על אינדיקטורים.
  • בבדיקה המדווחת, quantile loss אינו עולה בביצועיו על מדדי הייחוס.
  • הביצועים של RMSE יורדים בתדירויות נתונים גבוהות יותר, ואילו GMADL מפיק מהן תועלת.
  • GMADL על נתונים במרווחים של 5 דקות גובר על האסטרטגיות האחרות שנבדקו ברוב התקופות, במסגרת הערכת המחקר.

תגיות

קריפטומסחר בתדירות גבוההלמידת מכונהבדיקת ביצועים היסטוריים
הטקסט המלא
# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.