结合分数阶差分特征与三重屏障标注的监督自编码器增强噪声数据预测
交易与市场微观结构
2024-12-03 v2 机器学习
统计计算
机器学习
摘要
本文研究了通过监督自编码器（SAE）利用神经网络增强金融时间序列预测，以提升投资策略表现。使用 Sharpe 比率和信息比率，具体考察了噪声增强和三重屏障标注对风险调整后收益的影响。研究以 Bitcoin、Litecoin 和 Ethereum 为交易资产，时间跨度为 2016 年 1 月 1 日至 2022 年 4 月 30 日。结果表明，在平衡的噪声增强和瓶颈尺寸下，监督自编码器能显著提升策略有效性。然而，过度的噪声和过大的瓶颈尺寸会损害性能。
引用
@article{arxiv.2411.12753,
title = {Supervised Autoencoders with Fractionally Differentiated Features and Triple Barrier Labelling Enhance Predictions on Noisy Data},
author = {Bartosz Bieganowski and Robert Ślepaczuk},
journal= {arXiv preprint arXiv:2411.12753},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2404.01866