监督式自编码器、噪声增强与三重障碍标签

文章 arXiv papers · 作者: Bartosz Bieganowski et al.

总结

本研究考察监督式自编码器在金融预测中的应用及其对交易策略表现的影响。研究将学习到的表征与分数阶差分特征、三重障碍标签结合，并测试训练时加入噪声是否会改变风险调整后收益。评估使用比特币、莱特币和以太坊数据，时间范围为2016至2022，并以夏普比率和信息比率衡量表现。

报告的结果表明，适量的噪声增强和合适的自编码器瓶颈规模可能提升策略效果。噪声过多或瓶颈过大会降低表现，因此这些设置需要调优。摘录未提供具体比率数值、对比基准，也未说明验证方法和交易成本细节。因此，其结论仅描述所述资产和样本期内的结果，并未证明该方法适用于不同市场或实盘交易环境。

核心观点

本研究评估监督式自编码器在金融预测和策略表现方面的效果。
研究将分数阶差分特征与三重障碍标签结合。
噪声增强和瓶颈规模会影响测得的风险调整后收益。
报告结果显示，适度的噪声和瓶颈规模优于过度设置。
摘录未给出数值结果或足够的验证细节，无法评估其更广泛的适用性。

# 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.

在遵守原作品许可的前提下，附作者信息全文展示。许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。