Nhận diện mẫu giá ngắn hạn có khả năng dự báo bằng entropy

Tóm tắt

Bài nghiên cứu đề xuất khuôn khổ tìm các mẫu ngắn hạn trong chuỗi thời gian tài chính có thể báo hiệu hướng giá tương lai. Phương pháp tìm các mẫu chất lượng cao, không chồng lấn bằng cách phân cụm các ví dụ lịch sử và loại bỏ những mẫu kém hữu ích hơn. Phương pháp dùng entropy cục bộ làm đại diện cho lượng thông tin: các mẫu gắn với biến động lịch sử lệch mạnh về một phía và entropy cục bộ thấp được xem là giàu thông tin hơn. Phương pháp cũng hướng đến việc duy trì biểu diễn cân bằng giữa các mẫu Mua và Bán.

Các tác giả đối chiếu cách tiếp cận này với K-means và Mô hình hỗn hợp Gaussian, cho rằng phân cụm thông thường có thể tạo ra các nhóm thiên lệch hoặc mất cân bằng, đồng thời làm mất mẫu hữu ích do phân đoạn quá mức. Khuôn khổ của họ chú trọng cả độ thuần dự báo và khả năng sinh lời trong lịch sử. Tài liệu mô tả lý do và lợi thế dự kiến, nhưng không cung cấp tập dữ liệu, kết quả định lượng, thiết kế xác thực hay bằng chứng giao dịch thực. Vì vậy, các tuyên bố về sức mạnh dự báo và tính phù hợp cho giao dịch vẫn chưa được thông tin cung cấp xác minh.

Ý chính

• Khuôn khổ tìm các mẫu ngắn hạn không chồng lấn trong chuỗi thời gian tài chính nhiễu.
• Entropy cục bộ được dùng làm đại diện cho lượng thông tin của một mẫu lịch sử.
• Các mẫu gắn với biến động lịch sử lệch một phía và entropy cục bộ thấp được ưu tiên.
• Phương pháp hướng đến các nhóm Mua và Bán cân bằng, đồng thời so sánh với K-means và phân cụm hỗn hợp Gaussian.
• Tài liệu không cung cấp xác thực định lượng hay bằng chứng về kết quả giao dịch thực.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.