Autoencoders supervisionados, aumento de ruído e rótulos de barreira tripla

Resumo

Este estudo examina autoencoders supervisionados para previsão financeira e seu efeito no desempenho de estratégias de trading. Ele combina representações aprendidas com atributos diferenciados fracionariamente e rótulos de barreira tripla, além de testar se a inclusão de ruído durante o treinamento altera os retornos ajustados ao risco. A avaliação usa dados de Bitcoin, Litecoin e Ethereum de janeiro de 2016 a abril de 2022, com os índices de Sharpe e de informação como medidas de desempenho.

Os resultados relatados sugerem que uma quantidade bem calibrada de aumento de ruído e um gargalo de autoencoder adequado podem melhorar a eficácia da estratégia. Ruído em excesso ou um gargalo grande demais podem reduzir o desempenho, por isso esses parâmetros precisam ser ajustados. O trecho não informa valores específicos dos índices, referências de comparação nem detalhes da validação e dos custos de trading. Portanto, as conclusões descrevem resultados para os ativos e o período indicados, sem demonstrar que a abordagem funcionará em outros mercados ou em condições de trading ao vivo.

Ideias principais

• O estudo avalia autoencoders supervisionados para previsão financeira e desempenho de estratégias.
• Ele combina atributos diferenciados fracionariamente com rótulos de barreira tripla.
• O aumento de ruído e o tamanho do gargalo afetam os retornos ajustados ao risco medidos.
• Os resultados relatados favorecem níveis equilibrados de ruído e tamanho do gargalo em vez de valores excessivos.
• O trecho não apresenta resultados numéricos nem detalhes de validação suficientes para avaliar a aplicabilidade mais ampla.

Tags

# 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.

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.