Previsões do Informer com perda direcional para trading de Bitcoin

Resumo

O estudo testa a arquitetura de previsão Informer como base para estratégias automatizadas com dados de Bitcoin de alta frequência. Treina variantes com RMSE, Generalized Mean Absolute Directional Loss (GMADL) e perda quantílica, e transforma os retornos futuros previstos em estratégias de trading. As comparações incluem Buy and Hold e duas estratégias de indicadores técnicos. A avaliação abrange dados de 5, 15 e 30 minutos em seis períodos de teste.

Os resultados dependem da função de perda e da frequência de amostragem. O modelo com perda quantílica não supera as referências; RMSE tem desempenho pior em frequências mais altas, enquanto GMADL se beneficia de dados de maior frequência. Na resolução de 5 minutos, GMADL supera as outras estratégias na maioria dos períodos de teste, segundo a descrição. Esses achados sugerem que uma função de perda que enfatiza a precisão direcional pode ser relevante para previsões de trading de alta frequência. As evidências se limitam aos períodos e às referências de Bitcoin relatados, e o resumo fornecido não detalha custos de transação, retornos ajustados ao risco nem desempenho fora da configuração testada.

Ideias principais

• O estudo transforma previsões de retorno do Informer em estratégias automatizadas de trading de Bitcoin.
• Compara RMSE, GMADL e perda quantílica com Buy and Hold e duas referências baseadas em indicadores.
• A perda quantílica não supera as referências na avaliação relatada.
• O desempenho de RMSE cai em frequências de dados mais altas, enquanto GMADL se beneficia delas.
• GMADL em dados de 5 minutos supera as outras estratégias testadas na maioria dos períodos, dentro da avaliação do estudo.

Tags

# 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.

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.