زیرِ نگرانی آٹواینکوڈرز، شور میں اضافہ اور ٹرپل بیریئر لیبلز

خلاصہ

یہ مطالعہ مالی پیش گوئی کے لیے زیرِ نگرانی آٹواینکوڈرز اور ٹریڈنگ اسٹریٹیجی کی کارکردگی پر ان کے اثرات کا جائزہ لیتا ہے۔ اس میں سیکھی گئی نمائندگیوں کو کسری طور پر تفریق شدہ خصوصیات اور ٹرپل بیریئر لیبلز کے ساتھ ملایا گیا ہے، اور جانچا گیا ہے کہ تربیت کے دوران شور شامل کرنے سے خطرے کے لحاظ سے ایڈجسٹ شدہ منافع بدلتا ہے یا نہیں۔ جائزے میں بٹ کوائن، لائٹ کوائن اور ایتھیریم کا ڈیٹا جنوری 2016 سے اپریل 2022 تک شامل ہے؛ کارکردگی کے پیمانوں میں شارپ اور انفارمیشن ریشوز شامل ہیں۔

رپورٹ کردہ نتائج سے اشارہ ملتا ہے کہ شور بڑھانے کی متوازن مقدار اور آٹواینکوڈر کی مناسب بوتل نیک اسٹریٹیجی کی افادیت بہتر کر سکتی ہے۔ بہت زیادہ شور یا حد سے بڑی بوتل نیک کارکردگی گھٹا سکتی ہے، اس لیے ان ترتیبات کو بہتر بنانے کی ضرورت ہے۔ اقتباس میں مخصوص ریشو قدریں، تقابلی بنیادی معیار یا توثیق اور ٹریڈنگ اخراجات کی تفصیلات نہیں ہیں۔ لہٰذا اس کے نتائج بیان کردہ اثاثوں اور نمونے کی مدت تک محدود ہیں؛ یہ ثابت نہیں کرتے کہ یہ طریقہ مختلف مارکیٹوں یا لائیو ٹریڈنگ میں بھی کام کرے گا۔

اہم خیالات

• مطالعہ مالی پیش گوئی اور اسٹریٹیجی کی کارکردگی کے لیے زیرِ نگرانی آٹواینکوڈرز کا جائزہ لیتا ہے۔
• اس میں کسری طور پر تفریق شدہ خصوصیات کو ٹرپل بیریئر لیبلز کے ساتھ ملایا گیا ہے۔
• شور بڑھانے اور بوتل نیک کے سائز سے ناپے گئے خطرے کے لحاظ سے ایڈجسٹ شدہ منافع متاثر ہوتے ہیں۔
• رپورٹ کردہ نتائج حد سے بڑھی ہوئی ترتیبات کے مقابلے میں شور اور بوتل نیک کی متوازن ترتیبات کے حق میں ہیں۔
• اقتباس میں عددی نتائج یا وسیع تر اطلاق کا اندازہ لگانے کے لیے کافی توثیقی تفصیل نہیں دی گئی۔

ٹیگز

# 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.

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۔