Выборочная классификация в трейдинге с отказом от прогноза

Сводка

В исследовании рассматривается, как классификаторы, способные отказаться от прогноза, могут влиять на торговые решения. Стандартный классификатор направления всегда подразумевает рыночную позицию, тогда как выборочный классификатор может оставить портфель без вложений, если не делает прогноз. В статье рассматриваются бинарная классификация и трёхклассовая схема, где добавлен класс относительно небольших изменений цены, что даёт модели ещё один способ не выбирать направление. Выборочность создаёт компромисс между точностью прогноза и долей входных данных, для которых выдаётся прогноз.

Авторы сравнивают выборочные и обычные варианты обеих схем на разных наборах признаков и четырёх типах моделей: логистической регрессии, случайных лесах, сетях прямого распространения и рекуррентных сетях. Обучение, валидация и тестирование проводятся со последовательным сдвигом окна, затем полученные стратегии проверяются бэктестом на товарных фьючерсах. Приведённые эмпирические результаты указывают на потенциал выборочной классификации в трейдинге. В аннотации не указаны показатели результатов, предположения об издержках или устойчивость за пределами оценённых признаков и рынков, поэтому она не доказывает, что отказ от прогноза улучшит результаты в других условиях.

Ключевые идеи

• Выборочные классификаторы могут отказаться от прогноза, оставляя некоторые входные данные без торговой позиции.
• В исследовании сравниваются бинарный прогноз направления и трёхклассовая схема с классом малых изменений цены.
• Выборочность создаёт компромисс между точностью прогноза и охватом пространства входных признаков.
• Оценка использует разбиения со скользящим окном и сравнивает четыре типа моделей на разных наборах признаков.
• Стратегии проверяются бэктестом на товарных фьючерсах; результаты указывают на потенциал, но не доказывают широкую применимость.

Теги

# 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.

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.