Supervised Autoencoders with Fractionally Differentiated Features and Triple Barrier Labelling Enhance Predictions on Noisy Data
创建于 更新于
摘要
本研究提出将监督自编码器（SAE）结合分数阶差分特征和三重障碍标签法应用于加密货币交易策略，通过添加基于历史波动率的噪声增强训练数据，采用步进式验证评估性能。结果显示，适度的噪声增强与合适的编码瓶颈大小显著提升策略的风险调整收益指标（如信息比率IR和星标信息比率IR*），并在比特币、以太坊和莱特币等资产的多时间周期策略中表现优异，相较传统买入持有策略具有更佳的风险控制能力和风险调整回报，[page::0][page::4][page::5][page::6]。此外，量化组合策略也显示出超越被动组合的表现，为机器学习在资产管理领域的应用提供了有力支持。
