Key points are not available for this paper at this time.
من الشائع استخدام العائدات، وفروقات الأسعار أو العائدات اللوغاريتمية لتقدير المخاطر المالية والتنبؤ بالسلاسل الزمنية. في كتاب De Prado لعام 2018، تم الت arguing أن استخدام العائدات يفقدنا ذاكرة السلاسل الزمنية. من أجل التحقق من هذا البيان، قامنا بفحص الفروقات بين التباين الجزئي والتحويلات اللوغاريتمية وتأثيرها على ذاكرة البيانات. استخدمنا الشبكات العصبية المتكررة LSTM (ذاكرة قصيرة وطويلة الأمد) ومنحدر XGBoost على البيانات باستخدام تلك التحويلات. توقعنا المخاطر (التقلب) وقيمة السعر وقارننا نتائج جميع النماذج باستخدام الأسعار الأصلية وغير المعدلة. من النتائج، أظهرت النماذج أنه في المتوسط، حقق التحويل اللوغاريتمي توقعات تقلب أفضل من حيث متوسط خطأ التربيع والدقة. كان التحويل اللوغاريتمي هو الأكثر وعدًا من حيث الربحية. كانت نتائجنا متعارضة مع اقتراح ماركو لوبيز دي برادو، حيث تمكنا من تحقيق أدق توقعات تقلب من حيث متوسط خطأ التربيع والدقة باستخدام التحويل اللوغاريتمي بدلاً من التباين الجزئي. كانت هذه التحويلة أيضًا الأكثر وعدًا من حيث الربحية.
درس راودي وزملاؤه (الثلاثاء) هذا السؤال.