본문으로 건너뛰기
라이브러리 문서 전체

예측을 보류하는 모델의 트레이딩 선택 분류

기사 arXiv papers · 저자: Nestoras Chalkidis et al.
원문 읽기

요약

이 연구는 예측을 보류할 수 있는 분류기가 트레이딩 결정에 어떤 영향을 주는지 살펴본다. 일반적인 방향 분류기는 항상 시장 포지션을 전제로 하지만, 선택적 분류기는 예측을 보류할 때 포트폴리오를 투자하지 않은 상태로 둘 수 있다. 논문은 이진 분류와 상대적으로 작은 가격 변동을 별도 클래스로 추가한 삼진 분류를 다룬다. 삼진 분류는 모델이 방향 판단을 피할 또 다른 방법을 제공한다. 선택성을 높이면 예측 정확도와 예측을 제공하는 입력의 비중 사이에 절충이 생긴다.

저자들은 특징 집합과 네 가지 모델 계열인 로지스틱 회귀, 랜덤 포레스트, 피드포워드 신경망, 순환 신경망에 대해 두 설정의 선택적 분류와 비선택적 분류를 비교한다. 워크포워드 방식으로 학습, 검증, 테스트한 뒤 원자재 선물에서 결과 전략을 백테스트한다. 보고된 실증 결과는 트레이딩에서 선택적 분류의 가능성을 보여준다. 초록은 성과 수치, 비용 가정, 평가된 특징과 시장을 벗어난 강건성을 제시하지 않으므로 예측 보류가 다른 상황에서도 성과를 개선한다고 입증하지는 않는다.

핵심 아이디어

  • 선택적 분류기는 예측을 보류할 수 있어 일부 입력에 대해 트레이딩 포지션을 취하지 않는다.
  • 이 연구는 방향을 예측하는 이진 분류와 작은 변동 클래스를 포함한 삼진 설정을 비교한다.
  • 선택성은 예측 정확도와 입력 특징 공간의 포괄 범위 사이에서 절충을 만든다.
  • 평가에는 워크포워드 분할이 사용되며, 특징 집합별로 네 가지 모델 계열을 비교한다.
  • 원자재 선물 전략을 백테스트한 결과는 가능성을 시사하지만, 폭넓은 적용 가능성을 입증하지는 않는다.

태그

머신러닝선물원자재백테스트통계
전문
# 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.

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

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