論文の概要: QuantNet: Transferring Learning Across Systematic Trading Strategies
- arxiv url: http://arxiv.org/abs/2004.03445v2
- Date: Tue, 30 Jun 2020 07:46:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 23:40:23.308974
- Title: QuantNet: Transferring Learning Across Systematic Trading Strategies
- Title（参考訳）: QuantNet: システム取引戦略間の学習の移行
- Authors: Adriano Koshiyama, Sebastian Flennerhag, Stefano B. Blumberg, Nick
Firoozye and Philip Treleaven
- Abstract要約: QuantNet(QuantNet)は、市場に依存しないトレンドを学習し、これらを使用して市場固有の取引戦略の優れた学習を行うアーキテクチャである。
58のグローバルエクイティマーケットにおける3103資産の履歴データに基づいてQuantNetを評価する。
- 参考スコア（独自算出の注目度）: 2.012425476229879
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Systematic financial trading strategies account for over 80% of trade volume
in equities and a large chunk of the foreign exchange market. In spite of the
availability of data from multiple markets, current approaches in trading rely
mainly on learning trading strategies per individual market. In this paper, we
take a step towards developing fully end-to-end global trading strategies that
leverage systematic trends to produce superior market-specific trading
strategies. We introduce QuantNet: an architecture that learns market-agnostic
trends and use these to learn superior market-specific trading strategies. Each
market-specific model is composed of an encoder-decoder pair. The encoder
transforms market-specific data into an abstract latent representation that is
processed by a global model shared by all markets, while the decoder learns a
market-specific trading strategy based on both local and global information
from the market-specific encoder and the global model. QuantNet uses recent
advances in transfer and meta-learning, where market-specific parameters are
free to specialize on the problem at hand, whilst market-agnostic parameters
are driven to capture signals from all markets. By integrating over
idiosyncratic market data we can learn general transferable dynamics, avoiding
the problem of overfitting to produce strategies with superior returns. We
evaluate QuantNet on historical data across 3103 assets in 58 global equity
markets. Against the top performing baseline, QuantNet yielded 51% higher
Sharpe and 69% Calmar ratios. In addition we show the benefits of our approach
over the non-transfer learning variant, with improvements of 15% and 41% in
Sharpe and Calmar ratios. Code available in appendix.
- Abstract（参考訳）: 体系的な金融取引戦略は株式の取引量の80%以上を占め、外国為替市場の大部分を占めている。
複数の市場からのデータ提供にもかかわらず、現在のトレーディングのアプローチは主に個々の市場ごとの学習トレーディング戦略に依存している。
本稿では, 市場特化貿易戦略の先駆けとして, 体系的傾向を生かした完全エンドツーエンドのグローバルトレーディング戦略を開拓する。
quantnet: 市場非依存のトレンドを学び、それらを優れた市場固有の取引戦略を学ぶために利用するアーキテクチャです。
各市場固有のモデルはエンコーダとデコーダのペアで構成されている。
エンコーダは、市場固有のデータを、すべての市場が共有するグローバルモデルによって処理される抽象的潜在表現に変換し、デコーダは、市場固有のエンコーダとグローバルモデルからのローカルおよびグローバル情報の両方に基づいて、市場固有の取引戦略を学ぶ。
QuantNetは近年のトランスファーとメタラーニングの進歩を利用しており、市場固有のパラメータは目前の問題に特化できるが、市場に依存しないパラメータはすべての市場からの信号をキャプチャするために駆動される。
慣用的な市場データを統合することで、オーバーフィッティングの問題を回避し、優れたリターンを持つ戦略を生成することができる。
58のグローバルエクイティマーケットにおける3103資産の履歴データに基づいてQuantNetを評価する。
トップパフォーマンスのベースラインに対して、QuantNetはシャープを51%、カルマー比を69%上回った。
さらに, シャープ比とカルマー比の15%と41%の改善により, 非トランスファー学習モデルに対するアプローチの利点を示す。
コードは appendix で利用可能。
関連論文リスト
- When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。
StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。
AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
論文 参考訳（メタデータ） (2024-07-15T06:49:30Z) - Quantformer: from attention to profit with a quantitative transformer trading strategy [1.6006550105523192]
この研究は2010年から2019年にかけて、中国資本市場における4,601株の5000,000以上の転がるデータを集めている。
本研究は、他の100因子量的戦略と比較して、株価トレンド予測におけるモデルの性能が優れていることを示した。
論文 参考訳（メタデータ） (2024-03-30T17:18:00Z) - Data Cross-Segmentation for Improved Generalization in Reinforcement
Learning Based Algorithmic Trading [5.75899596101548]
本稿では,学習した予測モデルからの信号に基づいて処理を行う強化学習(RL)アルゴリズムを提案する。
われわれのアルゴリズムは、ブルサ・マレーシアの20年以上のエクイティデータに基づいてテストしている。
論文 参考訳（メタデータ） (2023-07-18T16:00:02Z) - Integrating Tick-level Data and Periodical Signal for High-frequency
Market Making [6.905391624417593]
我々は,より正確で堅牢な市場形成戦略を開発するために,定期的な予測信号でギグレベルのデータを融合する深層強化学習手法を提案する。
提案手法は,収益性やリスク管理の観点から既存手法よりも優れていた。
論文 参考訳（メタデータ） (2023-06-19T07:10:46Z) - Dynamic Datasets and Market Environments for Financial Reinforcement
Learning [68.11692837240756]
FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。
我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。
また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
論文 参考訳（メタデータ） (2023-04-25T22:17:31Z) - Equitable Marketplace Mechanism Design [0.0]
多様な取引戦略と目的を持つトレーダーが居住する取引市場について検討する。
この作業の目標は、すべてのトレーダーに平等で利益がある市場のための動的な手数料スケジュールを設計することである。
市場手数料のスケジュールと取引戦略を同時に学習するための強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-22T20:03:34Z) - Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。
模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文 参考訳（メタデータ） (2021-12-08T14:55:21Z) - OSOUM Framework for Trading Data Research [79.0383470835073]
私たちは、私たちの知る限り、最初のオープンソースのシミュレーションプラットフォームであるOpen SOUrce Market Simulator(OSOUM)を提供して、トレーディング市場、特にデータ市場を分析します。
我々は、購入に利用可能なさまざまなデータセットを所有する売り手と、購入に有効な適切なデータセットを検索する買い手という2つのタイプのエージェントからなる、特定のデータ市場モデルを記述し、実装する。
データ市場を扱うための商用フレームワークはすでに存在していますが、購入者および販売者の両方が(データ)市場に参加することの可能な振る舞いをシミュレートするための、自由で広範なエンドツーエンドの研究ツールを提供しています。
論文 参考訳（メタデータ） (2021-02-18T09:20:26Z) - Trader-Company Method: A Metaheuristic for Interpretable Stock Price
Prediction [3.9189409002585562]
金融市場では、機械学習ベースのモデルの実践的応用を妨げるいくつかの課題がある。
本稿では,金融機関とトレーダーの役割を模倣する新たな進化モデルであるTrader-Company法を提案する。
トレーダーと呼ばれる複数の弱い学習者からの提案を集約し、将来の株式リターンを予測します。
論文 参考訳（メタデータ） (2020-12-18T13:19:27Z) - Taking Over the Stock Market: Adversarial Perturbations Against
Algorithmic Traders [47.32228513808444]
本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。
入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
論文 参考訳（メタデータ） (2020-10-19T06:28:05Z) - A Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳（メタデータ） (2020-04-13T13:50:13Z)
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。