Прогноз Informer с функцией потерь по направлению для торговли биткоином

Сводка

В исследовании архитектура прогнозирования Informer проверяется как основа автоматизированных стратегий на высокочастотных данных биткоина. Варианты модели обучаются с использованием RMSE, Generalized Mean Absolute Directional Loss (GMADL) и квантильной функции потерь; затем прогнозируемая будущая доходность преобразуется в торговые стратегии. В сравнении участвуют Buy and Hold и две стратегии на технических индикаторах. Оценка охватывает данные с интервалами 5, 15 и 30 минут в шести тестовых периодах.

Результаты зависят от функции потерь и частоты выборки. Модель с квантильной функцией потерь не превосходит контрольные стратегии; RMSE показывает худший результат на более высоких частотах, тогда как GMADL выигрывает от более частых данных. На интервале 5 минут GMADL, согласно описанию, превосходит другие стратегии в большинстве тестовых периодов. Эти результаты позволяют предположить, что для высокочастотных торговых прогнозов может иметь значение функция потерь, учитывающая точность определения направления. Данные ограничены указанными периодами и контрольными стратегиями для биткоина; в кратком описании нет сведений о транзакционных издержках, доходности с учётом риска или результатах за пределами тестируемых условий.

Ключевые идеи

• Прогнозы доходности Informer преобразуются в автоматизированные торговые стратегии для биткоина.
• RMSE, GMADL и квантильная функция потерь сравниваются с Buy and Hold и двумя стратегиями на индикаторах.
• В приведённой оценке квантильная функция потерь не превосходит контрольные стратегии.
• Результаты RMSE ухудшаются при повышении частоты данных, а GMADL выигрывает от этого.
• На данных с интервалом 5 минут GMADL превосходит другие проверенные стратегии в большинстве периодов исследования.

Теги

# 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.

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.