본문으로 건너뛰기
라이브러리 문서 전체

방향성 손실을 활용한 고빈도 비트코인 트레이딩 예측

기사 arXiv papers · 저자: Filip Stefaniuk et al.
원문 읽기

요약

이 연구는 고빈도 비트코인 데이터 기반 자동매매 전략을 위한 예측 아키텍처로 Informer를 시험합니다. RMSE, 일반화 평균 절대 방향 손실(GMADL), 분위수 손실을 사용하는 변형 모델을 학습한 뒤, 예측한 미래 수익률을 트레이딩 전략으로 전환합니다. 매수 후 보유 및 기술 지표 기반 전략 두 가지와 비교합니다. 평가는 6개 테스트 기간에 걸쳐 5분, 15분, 30분 데이터를 다룹니다.

결과는 손실 함수와 표본 추출 빈도에 따라 다릅니다. 분위수 손실 모델은 벤치마크를 능가하지 못합니다. RMSE은 빈도가 높을수록 성과가 나빠지는 반면, GMADL은 더 높은 빈도의 데이터에서 이점을 얻습니다. 설명에 따르면 5분 단위에서 GMADL은 대부분의 테스트 기간에 다른 전략보다 나은 성과를 냅니다. 이러한 결과는 방향 정확도를 중시하는 손실 함수가 고빈도 트레이딩 예측에서 중요할 수 있음을 시사합니다. 증거는 보고된 비트코인 기간과 벤치마크에 한정되며, 제공된 요약에는 거래 비용, 위험 조정 수익률, 시험 설정 밖의 성과에 관한 세부사항이 없습니다.

핵심 아이디어

  • Informer 수익률 예측을 자동 비트코인 트레이딩 전략으로 전환합니다.
  • RMSE, GMADL, 분위수 손실을 매수 후 보유 및 지표 기반 벤치마크 두 가지와 비교합니다.
  • 보고된 평가에서 분위수 손실은 벤치마크보다 나은 성과를 내지 못합니다.
  • 데이터 빈도가 높아지면 RMSE의 성과는 떨어지고 GMADL은 이점을 얻습니다.
  • 연구의 평가 범위에서 5분 데이터의 GMADL은 대부분의 기간에 시험한 다른 전략보다 나은 성과를 냅니다.

태그

가상자산고빈도 매매머신러닝백테스트
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.