Автокодировщики с обучением с учителем, аугментация шума и метки тройного барьера

Сводка

В исследовании рассматриваются автокодировщики с обучением с учителем для финансового прогнозирования и их влияние на результаты торговой стратегии. Авторы объединяют выученные представления с признаками, полученными дробным дифференцированием, и метками тройного барьера, а также проверяют, меняет ли добавление шума при обучении доходность с поправкой на риск. Оценка проводится на данных по Bitcoin, Litecoin и Ethereum за период с января 2016 по апрель 2022; для измерения результатов используют коэффициенты Шарпа и информационный коэффициент.

Согласно результатам, тщательно подобранный уровень аугментации шума и подходящий размер узкого места автокодировщика могут повысить эффективность стратегии. Избыток шума или слишком большое узкое место способны ухудшить результаты, поэтому эти параметры нужно настраивать. В отрывке не приведены конкретные значения коэффициентов, базовые модели для сравнения или подробности валидации и торговых издержек. Выводы описывают результаты для указанных активов и периода выборки, но не подтверждают, что подход будет работать на разных рынках или при реальной торговле.

Ключевые идеи

• В исследовании оцениваются автокодировщики с обучением с учителем для финансового прогнозирования и анализа результатов торговых стратегий.
• Авторы объединяют признаки, дифференцированные дробным образом, с метками тройного барьера.
• Аугментация шума и размер узкого места влияют на измеряемую доходность с поправкой на риск.
• В результатах предпочтительны умеренные уровни шума и размер узкого места, а не чрезмерные значения.
• В отрывке нет численных результатов и достаточных подробностей валидации для оценки применимости в более широком контексте.

Теги

# 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.

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.