[论文解读] Supervised Autoencoder MLP for Financial Time Series Forecasting

Bartosz Bieganowski, Robert Ślepaczuk|arXiv (Cornell University)|Apr 2, 2024

Stock Market Forecasting MethodsDecision Sciences被引用 3

一句话总结

本文提出了一种用于金融时间序列预测的有监督自编码器多层感知机（SAE-MLP），通过引入噪声增强数据和三重屏障标注，以提升风险调整后的收益。结果表明，最优噪声水平和瓶颈尺寸显著提升了策略表现，超参数调优在S&P 500、EUR/USD和BTC/USD数据上均证明对超越传统方法至关重要。

ABSTRACT

This paper investigates the enhancement of financial time series forecasting with the use of neural networks through supervised autoencoders, aiming to improve investment strategy performance. It specifically examines the impact of noise augmentation and triple barrier labeling on risk-adjusted returns, using the Sharpe and Information Ratios. The study focuses on the S&P 500 index, EUR/USD, and BTC/USD as the traded assets from January 1, 2010, 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, highlighting the importance of precise parameter tuning. This paper also presents a derivation of a novel optimization metric that can be used with triple barrier labeling. The results of this study have substantial policy implications, suggesting that financial institutions and regulators could leverage techniques presented to enhance market stability and investor protection, while also encouraging more informed and strategic investment approaches in various financial sectors.

研究动机与目标

• 通过在金融时间序列预测中使用有监督自编码器，提升算法投资策略的表现。
• 探究通过噪声增强与自编码器去噪是否能提升策略的有效性。
• 评估三重屏障标注相较于简单方向分类对分类器性能的影响。
• 评估超参数调优在优化风险调整后收益中的作用。
• 开发一种专为三重屏障标注在金融预测中应用的新型优化指标。

提出的方法

• 采用有监督自编码器-MLP（SAE-MLP）架构，学习高频价格数据的压缩表示。
• 在训练过程中应用高斯噪声增强，以提升泛化能力并增强对市场噪声的鲁棒性。
• 在自编码器中使用瓶颈层，强制实现降维与特征学习。
• 通过预测价格方向而非精确数值，将价格预测转化为分类任务。
• 实施三重屏障标注，基于价格目标（止盈与止损）定义退出点，而非固定时间窗口。
• 开发了一种专为三重屏障标注数据设计的新优化指标，以提升模型训练与评估效果。

实验结果

研究问题

• RQ1 通过自编码器进行数据增强与去噪是否能提升金融交易策略的表现？
• RQ2 相较于简单方向分类，三重屏障标注是否能提升分类器性能？
• RQ3 超参数调优是否能提升投资策略的表现？
• RQ4 能否有效推导并应用一种新型优化指标于三重屏障标注的金融数据？
• RQ5 最优策略表现对噪声水平与自编码器瓶颈尺寸变化的敏感性如何？

主要发现

• 通过高斯噪声增强与自编码器去噪，策略表现显著提升，最佳结果出现在噪声与瓶颈水平均衡时。
• 在等权重投资组合中，方法3——结合噪声与自编码器去噪——在所有时间周期长度下均优于两个基线方法，信息比率表现更优。
• 在15分钟与30分钟时间周期中，三重屏障标注优于简单方向分类，表现出对市场噪声更强的处理能力与更优的优化对称性。
• 在5分钟时间周期中，三重屏障标注的表现劣于噪声增强方法，表明在高频环境下可能存在局限性。
• 超参数调优至关重要，仅在特定的噪声水平与瓶颈尺寸组合下才能实现最优表现，凸显了这些参数与策略收益之间非线性关系。
• 本研究推导出一种专为三重屏障标注设计的新型优化指标，使基于该标注方案的模型训练与评估更加高效。