Identificação de padrões preditivos de curto prazo com auxílio da entropia

Resumo

Este artigo propõe um modelo para encontrar padrões de curto prazo em séries temporais financeiras que possam sinalizar a direção futura dos preços. Ele busca padrões de alta qualidade e sem sobreposição, agrupando exemplos históricos e eliminando os menos úteis. O método usa a entropia local como aproximação do conteúdo informacional: padrões associados a movimentos históricos fortemente unidirecionais e baixa entropia local são tratados como mais informativos. Também busca manter uma representação equilibrada dos padrões de compra e venda.

Os autores comparam essa abordagem com K-means e modelos de mistura gaussiana, argumentando que o agrupamento convencional pode criar grupos tendenciosos ou desequilibrados e descartar padrões úteis ao subdividi-los em excesso. O modelo atribui peso tanto à pureza preditiva quanto à rentabilidade histórica. O documento explica a justificativa e a vantagem pretendida, mas não fornece conjunto de dados, resultados quantitativos, desenho de validação ou evidências de trading ao vivo. Portanto, as alegações sobre poder preditivo e adequação ao trading continuam sem verificação pelas informações fornecidas.

Ideias principais

• O modelo busca padrões de curto prazo sem sobreposição em séries temporais financeiras ruidosas.
• A entropia local é usada como aproximação do conteúdo informacional de um padrão histórico.
• Padrões associados a movimentos históricos unidirecionais e baixa entropia local são priorizados.
• A abordagem busca grupos equilibrados de compra e venda e se compara ao K-means e ao agrupamento por mistura gaussiana.
• O documento não fornece validação quantitativa nem evidências de resultados em trading ao vivo.

Tags

# Entropy-Assisted Quality Pattern Identification in Finance


# Entropy-Assisted Quality Pattern Identification in Finance









Short-term patterns in financial time series form the cornerstone of many algorithmic trading strategies, yet extracting these patterns reliably from noisy market data remains a formidable challenge. In this paper, we propose an entropy-assisted framework for identifying high-quality, non-overlapping patterns that exhibit consistent behavior over time. We ground our approach in the premise that historical patterns, when accurately clustered and pruned, can yield substantial predictive power for short-term price movements. To achieve this, we incorporate an entropy-based measure as a proxy for information gain. Patterns that lead to high one-sided movements in historical data, yet retain low local entropy, are more informative in signaling future market direction. Compared to conventional clustering techniques such as K-means and Gaussian Mixture Models (GMM), which often yield biased or unbalanced groupings, our approach emphasizes balance over a forced visual boundary, ensuring that quality patterns are not lost due to over-segmentation. By emphasizing both predictive purity (low local entropy) and historical profitability, our method achieves a balanced representation of Buy and Sell patterns, making it better suited for short-term algorithmic trading strategies.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.