論文の概要: Learning a functional control for high-frequency finance

• arxiv url: http://arxiv.org/abs/2006.09611v2
• Date: Fri, 12 Feb 2021 02:14:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 21:42:26.388270
• Title: Learning a functional control for high-frequency finance
• Title（参考訳）: 高周波金融のための機能制御の学習
• Authors: Laura Leal, Mathieu Lauri\`ere, Charles-Albert Lehalle
• Abstract要約: 我々は、高周波データ上で最適なトレーディングのためのコントローラを生成するために、ディープニューラルネットワークを使用する。 ニューラルネットワークは、トレーダーの好み、すなわちリスク回避パラメータと最適制御の間のマッピングを初めて学習する。 閉形式解を持たないより現実的な損失関数に対しては、生成した制御と説明可能なバージョンの間の平均距離が小さいことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We use a deep neural network to generate controllers for optimal trading on high frequency data. For the first time, a neural network learns the mapping between the preferences of the trader, i.e. risk aversion parameters, and the optimal controls. An important challenge in learning this mapping is that in intraday trading, trader's actions influence price dynamics in closed loop via the market impact. The exploration--exploitation tradeoff generated by the efficient execution is addressed by tuning the trader's preferences to ensure long enough trajectories are produced during the learning phase. The issue of scarcity of financial data is solved by transfer learning: the neural network is first trained on trajectories generated thanks to a Monte-Carlo scheme, leading to a good initialization before training on historical trajectories. Moreover, to answer to genuine requests of financial regulators on the explainability of machine learning generated controls, we project the obtained "blackbox controls" on the space usually spanned by the closed-form solution of the stylized optimal trading problem, leading to a transparent structure. For more realistic loss functions that have no closed-form solution, we show that the average distance between the generated controls and their explainable version remains small. This opens the door to the acceptance of ML-generated controls by financial regulators.
• Abstract（参考訳）: 我々は,高頻度データに対する最適取引のための制御器を生成するために,ディープニューラルネットワークを用いる。 ニューラルネットワークは、トレーダの好み、すなわちリスク回避パラメータと最適な制御との間のマッピングを初めて学習する。 このマッピングを学ぶ上で重要な課題は、トレーダーの行動が市場への影響を通じてクローズドループにおける価格変動に影響を与えることである。 効率的な実行によって生じる探索-探索トレードオフは、トレーダーの好みを調整し、学習フェーズ中に十分な軌道が生成されることを保証する。 ニューラルネットワークはまずモンテカルロ計画によって生成された軌道に基づいてトレーニングされ、歴史的な軌道を訓練する前に適切な初期化が行われる。 さらに,機械学習が生成する制御の説明可能性に関する金融規制当局の真の要求に応えるため,スタイリングされた最適取引問題の閉形式解に通常当てはまる空間上で得られる「ブラックボックス制御」を投影し,透明な構造へと導く。 閉形式解を持たないより現実的な損失関数に対しては、生成した制御と説明可能なバージョンの間の平均距離が小さいことを示す。 これにより、金融規制当局によるML生成制御の受け入れへの扉が開ける。

関連論文リスト

• Towards a Foundation Purchasing Model: Pretrained Generative Autoregression on Transaction Sequences [0.0]
  本稿では,金融取引の文脈的埋め込みを得るための生成事前学習手法を提案する。 さらに,510億の取引を含む180の発行銀行のデータコーパスを用いて,埋め込みモデルの大規模事前学習を行う。
  論文  参考訳（メタデータ） (2024-01-03T09:32:48Z)
• Combining Deep Learning on Order Books with Reinforcement Learning for Profitable Trading [0.0]
  本研究は,注文フローを用いた複数地平線におけるリターン予測と,5つの金融機器を対象とした3つの時間差不均衡学習モデルを訓練することに焦点を当てる。 この結果は潜在的な可能性を証明しているが、小売取引コスト、滑り込み、スプレッド・揺らぎを完全に処理するためには、一貫した黒字取引のためのさらなる最小限の修正が必要である。
  論文  参考訳（メタデータ） (2023-10-24T15:58:58Z)
• Reinforcement Learning for Financial Index Tracking [2.048226951354646]
  本稿では、回帰ベースのトラッキングエラーと値ベースのトラッキングエラーの両方の下で、金融指標追跡問題の最初の離散時間無限水平動的定式化を提案する。 提案手法は, 追跡精度でベンチマーク手法を上回り, キャッシュ引き出し戦略により余剰利益を得る可能性がある。
  論文  参考訳（メタデータ） (2023-08-05T08:34:52Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)
• Finite-time System Identification and Adaptive Control in Autoregressive Exogenous Systems [79.67879934935661]
  未知のARXシステムのシステム識別と適応制御の問題について検討する。 我々は,オープンループとクローズループの両方のデータ収集の下で,ARXシステムに対する有限時間学習保証を提供する。
  論文  参考訳（メタデータ） (2021-08-26T18:00:00Z)
• A deep learning approach to data-driven model-free pricing and to martingale optimal transport [0.0]
  ニューラルネットワークに基づく新規かつ高トラクタブルな教師付き学習手法を紹介します。 マルチンゲール最適輸送問題を解決するためにニューラルネットワークを訓練する方法を示す。
  論文  参考訳（メタデータ） (2021-03-21T16:39:27Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• Logarithmic Regret Bound in Partially Observable Linear Dynamical Systems [91.43582419264763]
  部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。 開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。 AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
  論文  参考訳（メタデータ） (2020-03-25T06:00:33Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)

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。