지도형 오토인코더와 노이즈 증강, 삼중 장벽 레이블

기사 arXiv papers · 저자: Bartosz Bieganowski et al.

요약

이 연구는 금융 예측에서 지도 오토인코더와 트레이딩 전략 성과에 미치는 영향을 살펴봅니다. 학습된 표현을 분수 차분 특성 및 삼중 장벽 레이블과 결합하고, 학습 중 노이즈를 추가하면 위험 조정 수익률이 달라지는지 검증합니다. 샤프 비율과 정보 비율을 성과 지표로 삼아 2016부터 2022까지의 비트코인, 라이트코인, 이더리움 데이터를 평가합니다.

보고된 결과는 노이즈 증강을 적절히 조절하고 오토인코더 병목 크기를 알맞게 설정하면 전략의 효과를 높일 수 있음을 시사합니다. 노이즈가 너무 많거나 병목이 지나치게 크면 성과가 낮아질 수 있어 설정을 조정해야 합니다. 발췌문에는 구체적인 비율 값, 비교 기준선, 검증 및 거래 비용에 관한 세부 정보가 없습니다. 따라서 결론은 제시된 자산과 표본 기간 안의 결과를 설명할 뿐, 이 접근법이 여러 시장이나 실거래 환경에서도 통할 것임을 입증하지는 않습니다.

핵심 아이디어

이 연구는 금융 예측과 전략 성과를 위해 지도형 오토인코더를 평가합니다.
분수 차분 특성과 삼중 장벽 레이블을 결합합니다.
노이즈 증강과 병목 크기가 측정된 위험조정수익률에 영향을 줍니다.
보고된 결과는 과도한 설정값보다 균형 잡힌 노이즈와 병목 설정이 낫다는 점을 보여줍니다.
발췌문에는 수치 결과나 더 넓은 적용 가능성을 판단하기에 충분한 검증 세부 정보가 없습니다.

# 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.

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

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

지도형 오토인코더와 노이즈 증강, 삼중 장벽 레이블

요약

핵심 아이디어

태그