پیش گوئی سے گریز کرنے والے ماڈلز کے ساتھ ٹریڈنگ کے لیے سلیکٹو درجہ بندی

خلاصہ

یہ مطالعہ دیکھتا ہے کہ پیش گوئی سے گریز کر سکنے والے درجہ بند کنندے ٹریڈنگ کے فیصلوں پر کیسے اثر ڈال سکتے ہیں۔ معیاری سمت کا درجہ بند کنندہ ہمیشہ مارکیٹ پوزیشن متعین کرتا ہے، جبکہ سلیکٹو درجہ بند کنندہ پیش گوئی سے گریز کرتے وقت پورٹ فولیو کو سرمایہ کاری کے بغیر چھوڑ سکتا ہے۔ مقالہ دو درجہ بندی اور تین درجہ بندی والی صورت، دونوں پر غور کرتا ہے؛ دوسری صورت میں نسبتاً چھوٹی قیمت تبدیلیوں کے لیے ایک زمرہ شامل ہوتا ہے، جس سے ماڈل کو سمت کے بارے میں فیصلہ دینے سے بچنے کا ایک اور طریقہ ملتا ہے۔ سلیکٹو انتخاب پیش گوئی کی درستگی اور پیش گوئی پانے والے ان پٹس کے حصے کے درمیان سمجھوتا پیدا کرتا ہے۔

مصنفین فیچر سیٹس اور چار ماڈل خاندانوں میں دونوں صورتوں کے سلیکٹو اور غیر سلیکٹو نسخوں کا موازنہ کرتے ہیں: لاجسٹک ریگریشن، رینڈم فارسٹ، فیڈ فارورڈ نیٹ ورکس اور ریکرینٹ نیٹ ورکس۔ وہ واک فارورڈ تربیت، توثیق اور جانچ استعمال کرتے ہیں، پھر حاصل شدہ اسٹریٹیجیوں کا کموڈٹی فیوچرز پر بیک ٹیسٹ کرتے ہیں۔ رپورٹ کردہ تجرباتی نتائج ٹریڈنگ میں سلیکٹو درجہ بندی کے امکان کی نشان دہی کرتے ہیں۔ خلاصے میں کارکردگی کے اعداد، لاگت کے مفروضے یا جانچے گئے فیچرز اور مارکیٹس سے آگے مضبوطی نہیں بتائی گئی، اس لیے یہ ثابت نہیں ہوتا کہ پیش گوئی سے گریز دوسری صورتوں میں نتائج بہتر کرے گا۔

اہم خیالات

• سلیکٹو درجہ بند کنندے پیش گوئی سے گریز کر سکتے ہیں، جس سے بعض ان پٹس کے لیے کوئی ٹریڈنگ پوزیشن نہیں بنتی۔
• مطالعہ سمت کی دو درجہ پیش گوئی کا موازنہ چھوٹی تبدیلیوں کا زمرہ رکھنے والی تین درجہ صورت سے کرتا ہے۔
• سلیکٹو انتخاب پیش گوئی کی درستگی اور ان پٹ فیچر اسپیس کی کوریج کے درمیان سمجھوتا کرتا ہے۔
• جانچ میں واک فارورڈ حصے استعمال کیے گئے اور فیچر سیٹس میں چار ماڈل خاندانوں کا موازنہ کیا گیا۔
• اسٹریٹیجیوں کا کموڈٹی فیوچرز پر بیک ٹیسٹ کیا گیا؛ نتائج امکان ظاہر کرتے ہیں، مگر وسیع اطلاق ثابت نہیں کرتے۔

ٹیگز

# 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.

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۔