اعلیٰ فریکوئنسی بٹ کوائن ٹریڈنگ کے لیے سمتی نقصان کے ساتھ انفارمر پیش گوئی

خلاصہ

یہ مطالعہ اعلیٰ فریکوئنسی بٹ کوائن ڈیٹا پر خودکار اسٹریٹیجیوں کی بنیاد کے طور پر انفارمر پیش گوئی کے فنِ تعمیر کو جانچتا ہے۔ یہ RMSE، عمومی اوسط مطلق سمتی نقصان (GMADL) اور کوانٹائل نقصان کے ساتھ مختلف نمونے تربیت دیتا ہے، پھر پیش گوئی کردہ آئندہ منافع کو ٹریڈنگ اسٹریٹیجیوں میں تبدیل کرتا ہے۔ موازنوں میں خرید کر رکھیں اور تکنیکی اشاریوں پر مبنی دو اسٹریٹیجی شامل ہیں۔ جانچ میں چھ آزمائشی ادوار کے دوران 5 منٹ، 15 منٹ اور 30 منٹ کا ڈیٹا شامل ہے۔

نتائج نقصان کے فنکشن اور نمونے لینے کی فریکوئنسی پر منحصر ہیں۔ کوانٹائل نقصان والا ماڈل معیاروں سے بہتر کارکردگی نہیں دکھاتا؛ RMSE زیادہ فریکوئنسی پر خراب کارکردگی دکھاتا ہے، جبکہ GMADL کو زیادہ فریکوئنسی والے ڈیٹا سے فائدہ ہوتا ہے۔ بیان کے مطابق 5 منٹ کی ریزولوشن پر، GMADL زیادہ تر آزمائشی ادوار میں دوسری اسٹریٹیجیوں سے بہتر ہے۔ یہ نتائج اشارہ کرتے ہیں کہ اعلیٰ فریکوئنسی ٹریڈنگ کی پیش گوئیوں میں سمتی درستگی پر زور دینے والا نقصان فنکشن اہم ہو سکتا ہے۔ شواہد رپورٹ کردہ بٹ کوائن ادوار اور معیاروں تک محدود ہیں، اور فراہم کردہ خلاصے میں لین دین کی لاگت، خطرے کے لحاظ سے ایڈجسٹ شدہ منافع یا آزمودہ ترتیب سے باہر کارکردگی کی تفصیلات نہیں۔

اہم خیالات

• مطالعہ انفارمر کے منافع کی پیش گوئیوں کو خودکار بٹ کوائن ٹریڈنگ اسٹریٹیجیوں میں بدلتا ہے۔
• یہ RMSE، GMADL اور کوانٹائل نقصان کا خرید کر رکھیں اور اشاریوں پر مبنی دو معیاروں سے موازنہ کرتا ہے۔
• رپورٹ کردہ جانچ میں کوانٹائل نقصان معیاروں سے بہتر کارکردگی نہیں دکھاتا۔
• RMSE کی کارکردگی زیادہ ڈیٹا فریکوئنسی پر گرتی ہے، جبکہ GMADL کو فائدہ ہوتا ہے۔
• 5 منٹ کے ڈیٹا پر GMADL مطالعے کی جانچ کے اندر زیادہ تر ادوار میں دوسری آزمودہ اسٹریٹیجیوں سے بہتر ہے۔

ٹیگز

# 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.

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۔