Trading de alta frequência com redes neurais e codificação de séries temporais em imagenss

Abstract

Resumo: Neste trabalho utilizamos técnicas para conversão de séries temporais emimagens GAF-GASFMTF em conjunto com um ensemble de redes neurais convolucionais (CNN) para obter uma estratégia de arbitragem/trading de alta frequência viável. Apesar da acurácia relativamente baixa obtida pelo modelo, que ficou entre 52% e 54% para os dados de teste, podemos observar que a estratégia foi bastante lucrativa durante o período analisado. Também podemos observar que o uso de thresholds de decisão podem aumentar a acurácia do modelo, embora não resultem, necessariamente, em um modelo mais lucrativo devido a menor quantidade de operações realizadas no período.

Abstract: In this study, we employed techniques for converting time series into GAF-GASF-MTF images and an ensemble of convolutional neural networks (CNN) to develop a viable high-frequency arbitrage/trading strategy. Despite the relatively low accuracy achieved by the model, ranging from52% to 54% for the test data, we observed that the strategy was highly profitable during the analyzed period.We could also observe that the use of decision thresholds can increase the accuracy of the model, although it does not necessarily lead to a more profitable model due to the lower number of operations performed