Phân loại chọn lọc với mô hình có thể từ chối dự báo

Tóm tắt

Nghiên cứu xem xét cách các bộ phân loại có thể từ chối dự báo ảnh hưởng đến quyết định giao dịch. Bộ phân loại hướng giá tiêu chuẩn luôn hàm ý một vị thế thị trường, trong khi bộ phân loại chọn lọc có thể để danh mục không đầu tư khi từ chối dự báo. Bài nghiên cứu xét phân loại nhị phân và thiết lập ba lớp, bổ sung một lớp cho biến động giá tương đối nhỏ, giúp mô hình có thêm cách tránh đưa ra dự báo hướng giá. Tính chọn lọc tạo ra sự đánh đổi giữa độ chính xác dự báo và tỷ lệ đầu vào được dự báo.

Các tác giả so sánh phiên bản chọn lọc và không chọn lọc của cả hai thiết lập trên nhiều tập đặc trưng và bốn nhóm mô hình: hồi quy logistic, rừng ngẫu nhiên, mạng truyền thẳng và mạng hồi quy. Họ dùng huấn luyện, xác thực và kiểm thử cuốn chiếu, sau đó backtest các chiến lược thu được trên hợp đồng tương lai hàng hóa. Kết quả thực nghiệm được báo cáo cho thấy phân loại chọn lọc có tiềm năng trong giao dịch. Phần tóm tắt không nêu số liệu hiệu suất, giả định chi phí hay độ vững ngoài các đặc trưng và thị trường được đánh giá, nên không chứng minh rằng việc từ chối dự báo sẽ cải thiện kết quả trong những bối cảnh khác.

Ý chính

• Bộ phân loại chọn lọc có thể từ chối dự báo, dẫn đến không mở vị thế giao dịch với một số đầu vào.
• Nghiên cứu so sánh dự báo hướng giá nhị phân với thiết lập ba lớp có thêm lớp biến động nhỏ.
• Tính chọn lọc tạo sự đánh đổi giữa độ chính xác dự báo và mức độ bao phủ không gian đặc trưng đầu vào.
• Đánh giá sử dụng các phân đoạn kiểm thử cuốn chiếu và so sánh bốn nhóm mô hình trên nhiều tập đặc trưng.
• Các chiến lược được backtest trên hợp đồng tương lai hàng hóa; kết quả gợi ý tiềm năng nhưng không chứng minh khả năng áp dụng rộng rãi.

Thẻ

# 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.

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.