コンテンツへスキップ
ライブラリの全資料

教師ありオートエンコーダ、ノイズ拡張、トリプルバリアラベル

記事 arXiv papers · 著者: Bartosz Bieganowski et al.
原文を読む

サマリー

本研究では、金融予測における教師ありオートエンコーダーと、トレード戦略のパフォーマンスへの影響を検討しています。学習した表現を分数次差分特徴量およびトリプルバリアラベルと組み合わせ、学習中にノイズを加えることでリスク調整後リターンが変化するかを検証しています。評価には、2016から2022までのビットコイン、ライトコイン、イーサリアムのデータを用い、パフォーマンス指標としてシャープレシオとインフォメーションレシオを使用しています。

報告された結果は、ノイズ拡張の量を適切に調整し、オートエンコーダのボトルネックを適切な大きさにすると、戦略の有効性が高まる可能性を示しています。ノイズが多すぎたり、ボトルネックが大きすぎたりすると、パフォーマンスが低下する可能性があるため、これらの設定は調整が必要です。抜粋には具体的な比率の値、比較対象、検証や取引コストの詳細は示されていません。したがって、結論が示すのは対象資産とサンプル期間内の結果であり、この手法がさまざまな市場や実運用環境でも機能することを立証するものではありません。

主なアイデア

  • 本研究は、金融予測と戦略パフォーマンスにおける教師ありオートエンコーダを評価します。
  • 分数階差特徴量とトリプルバリアラベルを組み合わせています。
  • ノイズ拡張とボトルネックの大きさが、測定されたリスク調整後リターンに影響します。
  • 報告結果では、ノイズやボトルネックを過剰に設定するより、適切な範囲に調整した設定が良好です。
  • 抜粋には数値結果や、広い適用可能性を評価するための十分な検証情報がありません。

タグ

暗号資産機械学習バックテストリスク管理
全文
# 2411.12753


# Supervised Autoencoders with Fractionally Differentiated Features and Triple Barrier Labelling Enhance Predictions on Noisy Data









This paper investigates the enhancement of financial time series forecasting with the use of neural networks through supervised autoencoders (SAE), to improve investment strategy performance. Using the Sharpe and Information Ratios, it specifically examines the impact of noise augmentation and triple barrier labeling on risk-adjusted returns. The study focuses on Bitcoin, Litecoin, and Ethereum as the traded assets from January 1, 2016, to April 30, 2022. Findings indicate that supervised autoencoders, with balanced noise augmentation and bottleneck size, significantly boost strategy effectiveness. However, excessive noise and large bottleneck sizes can impair performance.

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。