コンテンツへスキップ
ライブラリの全資料

予測を見送るモデルによる選択的分類と売買

記事 arXiv papers · 著者: Nestoras Chalkidis et al.
原文を読む

サマリー

この研究は、予測を見送れる分類器が売買判断にどう影響するかを検討しています。標準的な方向予測分類器は常に市場ポジションを示唆しますが、選択的分類器は予測を見送る場合にポートフォリオを未投資のままにできます。論文では二値分類と、比較的小さな価格変動のクラスを加えた三値分類を扱い、方向判断を避ける方法をモデルに追加しています。選択性によって、予測精度と予測を出す入力の割合との間にトレードオフが生じます。

著者らは、特徴量セットと4種類のモデル（ロジスティック回帰、ランダムフォレスト、順伝播ネットワーク、再帰型ネットワーク）について、選択的分類と非選択的分類の両方を比較しています。ウォークフォワード方式で学習、検証、テストを行い、その後、商品先物で戦略をバックテストしています。報告された実証結果は、売買における選択的分類の可能性を示しています。要旨には成績、コストの仮定、評価した特徴量や市場以外での頑健性が示されていません。そのため、予測を見送ることで他の状況でも結果が改善するとは立証されていません。

主なアイデア

  • 選択的分類器は予測を見送り、一部の入力でポジションを持たないことができます。
  • 二値の方向予測と、小幅変動のクラスを加えた三値分類を比較しています。
  • 選択性により、予測精度と入力特徴空間のカバー率との間にトレードオフが生じます。
  • ウォークフォワード分割を用いて、特徴量セットごとに4種類のモデルを比較しています。
  • 商品先物で戦略をバックテストしており、結果は可能性を示唆しますが、広く適用できることの証明ではありません。

タグ

機械学習先物コモディティバックテスト統計
全文
# Trading via Selective Classification


# Trading via Selective Classification









A binary classifier that tries to predict if the price of an asset will increase or decrease naturally gives rise to a trading strategy that follows the prediction and thus always has a position in the market. Selective classification extends a binary or many-class classifier to allow it to abstain from making a prediction for certain inputs, thereby allowing a trade-off between the accuracy of the resulting selective classifier against coverage of the input feature space. Selective classifiers give rise to trading strategies that do not take a trading position when the classifier abstains. We investigate the application of binary and ternary selective classification to trading strategy design. For ternary classification, in addition to classes for the price going up or down, we include a third class that corresponds to relatively small price moves in either direction, and gives the classifier another way to avoid making a directional prediction. We use a walk-forward train-validate-test approach to evaluate and compare binary and ternary, selective and non-selective classifiers across several different feature sets based on four classification approaches: logistic regression, random forests, feed-forward, and recurrent neural networks. We then turn these classifiers into trading strategies for which we perform backtests on commodity futures markets. Our empirical results demonstrate the potential of selective classification for trading.

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。