Поиск краткосрочных ценовых паттернов с помощью энтропии

Сводка

В статье предлагается метод поиска краткосрочных паттернов в финансовых временных рядах, которые могут указывать на будущее направление цены. Он ищет качественные неперекрывающиеся паттерны, кластеризуя исторические примеры и отбрасывая менее полезные. В качестве приближения информационного содержания используется локальная энтропия: паттерны, связанные с сильными односторонними движениями в прошлом и низкой локальной энтропией, считаются более информативными. Метод также стремится сохранить сбалансированное представление паттернов Buy и Sell.

Авторы противопоставляют этот подход методам K-means и Gaussian Mixture Models, утверждая, что обычная кластеризация может создавать смещённые или несбалансированные группы и терять полезные паттерны из-за чрезмерного дробления. В предложенной модели учитываются как чистота прогнозирования, так и историческая доходность. Документ объясняет логику метода и его предполагаемые преимущества, но не содержит данных, количественных результатов, схемы проверки или свидетельств торговли на реальном счёте. Поэтому приведённая информация не подтверждает заявления о прогнозной силе и пригодности для торговли.

Ключевые идеи

• Метод ищет неперекрывающиеся краткосрочные паттерны в зашумлённых финансовых временных рядах.
• Локальная энтропия используется как приближение информационного содержания исторического паттерна.
• Приоритет получают паттерны, связанные с односторонним движением цены в прошлом и низкой локальной энтропией.
• Метод стремится сбалансировать группы Buy и Sell и сравнивается с кластеризацией K-means и Gaussian Mixture.
• В документе нет количественной проверки или данных о результатах торговли на реальном счёте.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.