Картирование рыночных состояний с помощью вариационного автокодировщика
Автор исследует применение вариационного автокодировщика (VAE) для сжатия скользящих окон рыночных данных S&P 500 в двумерное латентное пространство. Цель — не создать торговый сигнал, а понять, может ли вероятностная модель организовать поведение рынка в интерпретируемые координаты, отражающие силу тренда, волатильность, возврат к среднему и макроэкономический контекст.
Будет полезно количественным аналитикам и исследователям финансовых рынков, интересующимся применением deep learning для понимания рыночных режимов. Показывает практический подход к интерпретируемому машинному обучению в финансах, где акцент на понимании, а не предсказании.
Это аннотация к авторской статье. Мы не публикуем и не пересказываем чужие тексты целиком — полная версия у автора.
О чём статья
- VAE обучается на скользящих окнах из 20 торговых дней, включающих данные SPY и контекстные активы (VIX, сырьевые товары, доллар, облигации, золото)
- Используется низкий коэффициент KL-расхождения (beta=0.001), что делает модель похожей на слабо регуляризованный автокодировщик, приоритизирующий реконструкцию рыночных состояний
- Модель оценивается по тому, коррелируют ли её латентные измерения с четырьмя интерпретируемыми концепциями: трендом, волатильностью, возвратом к среднему и макроконтекстом
- Подход рассматривается как инструмент для обучения представлений (representation learning), а не как симулятор рынка или торговая система
Комментарии