Classificação seletiva para trading com modelos que podem se abster

Resumo

Este estudo examina como classificadores que podem se abster de prever influenciam decisões de trading. Um classificador direcional padrão sempre implica uma posição no mercado, enquanto um classificador seletivo pode deixar a carteira sem investimento quando decide não prever. O artigo considera a classificação binária e uma configuração ternária que adiciona uma classe para movimentos de preço relativamente pequenos, oferecendo ao modelo outra forma de evitar uma previsão direcional. A seletividade cria um equilíbrio entre a precisão das previsões e a proporção de entradas para as quais são feitas previsões.

Os autores comparam versões seletivas e não seletivas das duas configurações em diferentes conjuntos de características e quatro famílias de modelos: regressão logística, florestas aleatórias, redes feedforward e redes recorrentes. Usam walk-forward para treinamento, validação e teste e, em seguida, fazem backtest das estratégias resultantes em futuros de commodities. Os resultados empíricos relatados indicam potencial para a classificação seletiva em trading. O resumo não informa números de desempenho, premissas de custo nem robustez além das características e dos mercados avaliados, portanto não demonstra que a abstenção melhorará os resultados em outros contextos.

Ideias principais

• Classificadores seletivos podem se abster, deixando algumas entradas sem uma posição de trading.
• O estudo compara a previsão direcional binária com uma configuração ternária que inclui uma classe para movimentos pequenos.
• A seletividade cria um equilíbrio entre a precisão das previsões e a cobertura do espaço de características de entrada.
• A avaliação usa divisões walk-forward e compara quatro famílias de modelos em diferentes conjuntos de características.
• As estratégias passam por backtest em futuros de commodities; os resultados sugerem potencial, mas não comprovam ampla aplicabilidade.

Tags

# 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.

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.