コンテンツへスキップ
ライブラリの全資料

方向性損失を用いたInformerの高頻度ビットコイン予測

記事 arXiv papers · 著者: Filip Stefaniuk et al.
原文を読む

サマリー

高頻度ビットコインデータを使った自動売買戦略の基盤として、Informer予測アーキテクチャを検証しています。RMSE、一般化平均絶対方向損失（GMADL）、分位点損失で学習したモデルを用い、予測した将来リターンを取引戦略に変換します。比較対象にはバイ・アンド・ホールドと2つのテクニカル指標戦略が含まれます。評価では6つのテスト期間にわたり、5分、15分、30分足データを用いています。

結果は損失関数とサンプリング頻度によって異なります。分位点損失モデルはベンチマークを上回らず、RMSEは高頻度で成績が低下する一方、GMADLは高頻度データから恩恵を受けます。説明によると、5分足では、GMADLがほとんどのテスト期間で他の戦略を上回りました。方向性の正確さを重視する損失関数が、高頻度取引の予測で重要となる可能性を示唆しています。証拠は報告されたビットコインの期間とベンチマークに限られ、提供された概要には取引コスト、リスク調整後リターン、検証条件外での成績の詳細がありません。

主なアイデア

  • Informerのリターン予測を自動売買のビットコイン戦略に変換します。
  • RMSE、GMADL、分位点損失を、バイ・アンド・ホールドと2つの指標ベースのベンチマークに対して比較します。
  • 報告された評価では、分位点損失はベンチマークを上回りません。
  • データ頻度が高くなるとRMSEの成績は低下し、GMADLは高頻度データから恩恵を受けます。
  • 5分足を用いたGMADLは、研究の評価範囲内でほとんどの期間に他の検証戦略を上回ります。

タグ

暗号資産高頻度取引機械学習バックテスト
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。