एंट्रॉपी-सहायता से अल्पकालिक मूल्य पैटर्न की पहचान

सारांश

यह शोधपत्र वित्तीय समय-श्रृंखलाओं में ऐसे अल्पकालिक पैटर्न खोजने का ढाँचा प्रस्तावित करता है जो भविष्य की कीमत की दिशा का संकेत दे सकते हैं। यह ऐतिहासिक उदाहरणों का क्लस्टरिंग करके और कम उपयोगी उदाहरणों को हटाकर उच्च-गुणवत्ता वाले, एक-दूसरे से न टकराने वाले पैटर्न खोजता है। यह विधि सूचना-सामग्री के प्रतिनिधि के रूप में स्थानीय एंट्रॉपी का उपयोग करती है: ऐतिहासिक रूप से एकतरफ़ा तेज़ चालों और कम स्थानीय एंट्रॉपी से जुड़े पैटर्न अधिक सूचनात्मक माने जाते हैं। इसका उद्देश्य खरीद और बिक्री के पैटर्न का संतुलित प्रतिनिधित्व बनाए रखना भी है।

लेखक इस दृष्टिकोण की तुलना K-means और Gaussian Mixture Models से करते हैं। उनका तर्क है कि पारंपरिक क्लस्टरिंग पक्षपाती या असंतुलित समूह बना सकती है और अत्यधिक विभाजन से उपयोगी पैटर्न खो सकती है। उनका ढाँचा पूर्वानुमान की शुद्धता और ऐतिहासिक लाभप्रदता, दोनों को महत्व देता है। दस्तावेज़ इसका तर्क और अपेक्षित लाभ बताता है, लेकिन कोई डेटासेट, मात्रात्मक परिणाम, सत्यापन रूपरेखा या लाइव ट्रेडिंग साक्ष्य नहीं देता। इसलिए पूर्वानुमान क्षमता और ट्रेडिंग उपयुक्तता के दावे दी गई जानकारी से सत्यापित नहीं होते।

मुख्य विचार

• यह ढाँचा शोरयुक्त वित्तीय समय-श्रृंखलाओं में एक-दूसरे से न टकराने वाले अल्पकालिक पैटर्न खोजता है।
• ऐतिहासिक पैटर्न की सूचना-सामग्री के प्रतिनिधि के रूप में स्थानीय एंट्रॉपी का उपयोग किया जाता है।
• एकतरफ़ा ऐतिहासिक चाल और कम स्थानीय एंट्रॉपी से जुड़े पैटर्न को प्राथमिकता दी जाती है।
• यह तरीका संतुलित खरीद और बिक्री समूह खोजता है और K-means तथा Gaussian मिश्रण क्लस्टरिंग से अपनी तुलना करता है।
• दस्तावेज़ मात्रात्मक सत्यापन या लाइव ट्रेडिंग परिणामों का साक्ष्य नहीं देता।

टैग

# Entropy-Assisted Quality Pattern Identification in Finance


# Entropy-Assisted Quality Pattern Identification in Finance









Short-term patterns in financial time series form the cornerstone of many algorithmic trading strategies, yet extracting these patterns reliably from noisy market data remains a formidable challenge. In this paper, we propose an entropy-assisted framework for identifying high-quality, non-overlapping patterns that exhibit consistent behavior over time. We ground our approach in the premise that historical patterns, when accurately clustered and pruned, can yield substantial predictive power for short-term price movements. To achieve this, we incorporate an entropy-based measure as a proxy for information gain. Patterns that lead to high one-sided movements in historical data, yet retain low local entropy, are more informative in signaling future market direction. Compared to conventional clustering techniques such as K-means and Gaussian Mixture Models (GMM), which often yield biased or unbalanced groupings, our approach emphasizes balance over a forced visual boundary, ensuring that quality patterns are not lost due to over-segmentation. By emphasizing both predictive purity (low local entropy) and historical profitability, our method achieves a balanced representation of Buy and Sell patterns, making it better suited for short-term algorithmic trading strategies.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।