Dự báo Informer với hàm mất mát định hướng cho giao dịch Bitcoin tần suất cao

Tóm tắt

Nghiên cứu kiểm định kiến trúc dự báo Informer làm cơ sở cho các chiến lược tự động trên dữ liệu Bitcoin tần suất cao. Nghiên cứu huấn luyện các biến thể bằng RMSE, Hàm mất mát định hướng sai số tuyệt đối trung bình tổng quát (GMADL) và hàm mất mát phân vị, rồi chuyển lợi nhuận tương lai dự báo thành chiến lược giao dịch. Các phương án so sánh gồm Mua và nắm giữ cùng hai chiến lược dùng chỉ báo kỹ thuật. Đánh giá bao quát dữ liệu khung 5 phút, 15 phút và 30 phút qua sáu giai đoạn kiểm định.

Kết quả phụ thuộc vào hàm mất mát và tần suất lấy mẫu. Mô hình dùng hàm mất mát phân vị không vượt các chuẩn so sánh; RMSE có hiệu suất kém hơn ở tần suất cao, trong khi GMADL được lợi từ dữ liệu tần suất cao hơn. Theo mô tả, ở độ phân giải 5 phút, GMADL vượt các chiến lược khác trong phần lớn giai đoạn kiểm định. Những phát hiện này gợi ý rằng hàm mất mát nhấn mạnh độ chính xác về hướng có thể quan trọng đối với dự báo giao dịch tần suất cao. Bằng chứng chỉ giới hạn ở các giai đoạn Bitcoin và chuẩn so sánh được báo cáo; phần tóm tắt không cung cấp chi tiết về chi phí giao dịch, lợi nhuận đã điều chỉnh theo rủi ro hay hiệu suất ngoài bối cảnh đã kiểm định.

Ý chính

• Nghiên cứu chuyển dự báo lợi nhuận của Informer thành chiến lược giao dịch Bitcoin tự động.
• Nghiên cứu so sánh RMSE, GMADL và hàm mất mát phân vị với Mua và nắm giữ cùng hai chuẩn dựa trên chỉ báo.
• Trong đánh giá được báo cáo, hàm mất mát phân vị không vượt các chuẩn so sánh.
• Hiệu suất của RMSE giảm ở tần suất dữ liệu cao hơn, còn GMADL được lợi từ các mức tần suất đó.
• GMADL trên dữ liệu khung 5 phút vượt các chiến lược khác được kiểm định trong phần lớn giai đoạn, trong phạm vi đánh giá của nghiên cứu.

Thẻ

# 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.

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.