اینٹروپی کی مدد سے قلیل مدتی پیش گوئی پذیر قیمت کے نمونوں کی شناخت

خلاصہ

یہ مقالہ مالیاتی زمانی سلسلوں میں ایسے قلیل مدتی نمونے تلاش کرنے کا فریم ورک پیش کرتا ہے جو مستقبل میں قیمت کی سمت کا اشارہ دے سکتے ہیں۔ یہ تاریخی مثالوں کی گروہ بندی اور کم مفید نمونوں کو چھانٹ کر اعلیٰ معیار کے، ایک دوسرے سے غیر متداخل نمونے تلاش کرتا ہے۔ یہ طریقہ معلوماتی مواد کے قائم مقام کے طور پر مقامی اینٹروپی استعمال کرتا ہے: یک طرفہ تاریخی حرکات اور کم مقامی اینٹروپی سے وابستہ نمونوں کو زیادہ معلوماتی سمجھا جاتا ہے۔ اس کا مقصد خرید اور فروخت کے نمونوں کی متوازن نمائندگی برقرار رکھنا بھی ہے۔

مصنفین اس طریقے کا موازنہ K-means اور Gaussian Mixture Models سے کرتے ہیں۔ ان کے مطابق روایتی گروہ بندی جانبدار یا غیر متوازن گروہ بنا سکتی ہے اور حد سے زیادہ تقسیم کے باعث مفید نمونے کھو سکتی ہے۔ ان کا فریم ورک پیش گوئی کی خالصیت اور تاریخی منافع دونوں کو اہمیت دیتا ہے۔ دستاویز اس کی منطق اور مطلوبہ فائدہ بیان کرتی ہے، مگر کوئی ڈیٹاسیٹ، مقداری نتائج، توثیق کا ڈیزائن یا لائیو ٹریڈنگ کے شواہد فراہم نہیں کرتی۔ لہٰذا پیش گوئی کی قوت اور ٹریڈنگ کے لیے موزونیت کے دعوے فراہم کردہ معلومات سے غیر مصدقہ رہتے ہیں۔

اہم خیالات

• یہ فریم ورک شور والے مالیاتی زمانی سلسلوں میں غیر متداخل قلیل مدتی نمونے تلاش کرتا ہے۔
• مقامی اینٹروپی کو تاریخی نمونے کے معلوماتی مواد کے قائم مقام کے طور پر استعمال کیا گیا ہے۔
• یک طرفہ تاریخی حرکت اور کم مقامی اینٹروپی سے وابستہ نمونوں کو ترجیح دی جاتی ہے۔
• یہ طریقہ خرید اور فروخت کے متوازن گروہ بنانے کی کوشش کرتا اور K-means اور Gaussian mixture گروہ بندی سے اپنا موازنہ کرتا ہے۔
• دستاویز مقداری توثیق یا لائیو ٹریڈنگ کے نتائج کے شواہد فراہم نہیں کرتی۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔