論文の概要: Predictive intraday correlations in stable and volatile market
environments: Evidence from deep learning
- arxiv url: http://arxiv.org/abs/2002.10385v1
- Date: Mon, 24 Feb 2020 17:19:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 03:27:46.202478
- Title: Predictive intraday correlations in stable and volatile market
environments: Evidence from deep learning
- Title（参考訳）: 安定・揮発性市場環境における日内相関予測-深層学習からの証拠
- Authors: Ben Moews and Gbenga Ibikunle
- Abstract要約: 我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。
以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。
ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
- 参考スコア（独自算出の注目度）: 2.741266294612776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Standard methods and theories in finance can be ill-equipped to capture
highly non-linear interactions in financial prediction problems based on
large-scale datasets, with deep learning offering a way to gain insights into
correlations in markets as complex systems. In this paper, we apply deep
learning to econometrically constructed gradients to learn and exploit lagged
correlations among S&P 500 stocks to compare model behaviour in stable and
volatile market environments, and under the exclusion of target stock
information for predictions. In order to measure the effect of time horizons,
we predict intraday and daily stock price movements in varying interval lengths
and gauge the complexity of the problem at hand with a modification of our
model architecture. Our findings show that accuracies, while remaining
significant and demonstrating the exploitability of lagged correlations in
stock markets, decrease with shorter prediction horizons. We discuss
implications for modern finance theory and our work's applicability as an
investigative tool for portfolio managers. Lastly, we show that our model's
performance is consistent in volatile markets by exposing it to the environment
of the recent financial crisis of 2007/2008.
- Abstract（参考訳）: 金融の標準的手法や理論は、大規模なデータセットに基づく金融予測問題における高度に非線形な相互作用を捉えるのに不適切であり、ディープラーニングは複雑なシステムとしての市場における相関に関する洞察を得る手段を提供する。
本稿では,econometricly built gradients(econometricly built gradients)を用いて,s&p 500株間の遅延相関を学習・活用し,安定・揮発性市場環境におけるモデル行動の比較を行い,予測のための対象株情報を排除した。
時間的地平線の影響を測定するため, 日内, 日内株価変動を各間隔で予測し, モデルアーキテクチャの変更により, 問題の複雑さを評価する。
以上の結果から,有意な評価を保ちながら,市場におけるラベル付き相関の活用可能性を示す一方で,予測地平線が短くなる傾向が示唆された。
ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
最後に,2007/2008年の金融危機の環境に導入することで,不安定な市場においてモデルの性能が一貫したことを示す。
関連論文リスト
- Analyzing public sentiment to gauge key stock events and determine volatility in conjunction with time and options premiums [0.0]
本モデルでは,感情分析とデータ検索技術を統合し,ソーシャルメディアから重要な情報を抽出する。
このアプローチの目的は、主要なイベントに基づいて取引を実行するためのタイムリーなデータを提供することだ。
論文 参考訳（メタデータ） (2025-02-08T01:48:10Z) - DiffSTOCK: Probabilistic relational Stock Market Predictions using Diffusion Models [1.9662978733004601]
我々は、歴史的金融指標とストック間関係を前提とした、より良い市場予測を提供するためのアーキテクチャを開発する。
また,Masked Transformer (RTM) を用いて,ストック間関係と歴史的ストックの特徴を生かした新しい決定論的アーキテクチャ MTCHS を提供する。
論文 参考訳（メタデータ） (2024-03-21T01:20:32Z) - Financial Time-Series Forecasting: Towards Synergizing Performance And
Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。
本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
論文 参考訳（メタデータ） (2023-12-31T16:38:32Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - Joint Latent Topic Discovery and Expectation Modeling for Financial
Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。
このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。
私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文 参考訳（メタデータ） (2023-06-01T01:36:51Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - Causal Analysis of Generic Time Series Data Applied for Market
Prediction [0.0]
本研究では,時間的変化(タグ付き)によるピアソン相関に基づく因果解析の適用性について検討した。
データは、リアルタイム取引やリミットオーダーブックのスナップショットなど、生の市場データから計算可能なさまざまな財務指標を含んでいる。
論文 参考訳（メタデータ） (2022-04-22T05:54:53Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z) - Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。
さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。
この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
論文 参考訳（メタデータ） (2020-04-17T14:58:29Z) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳（メタデータ） (2020-02-11T19:18:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。