論文の概要: GA-MSSR: Genetic Algorithm Maximizing Sharpe and Sterling Ratio Method
for RoboTrading
- arxiv url: http://arxiv.org/abs/2008.09471v1
- Date: Sun, 16 Aug 2020 05:33:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 12:06:07.410694
- Title: GA-MSSR: Genetic Algorithm Maximizing Sharpe and Sterling Ratio Method
for RoboTrading
- Title(参考訳): GA-MSSR:RoboTradingのシャープとスターリング比を最大化する遺伝的アルゴリズム
- Authors: Zezheng Zhang and Matloob Khushi
- Abstract要約: 外国為替は世界最大の金融市場である。
ほとんどの文献は、歴史的価格情報と技術指標を訓練に用いた。
この問題に対処するため,我々は,技術指標と取引規則から派生した取引規則の特徴を設計した。
- 参考スコア(独自算出の注目度): 0.4568777157687961
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Foreign exchange is the largest financial market in the world, and it is also
one of the most volatile markets. Technical analysis plays an important role in
the forex market and trading algorithms are designed utilizing machine learning
techniques. Most literature used historical price information and technical
indicators for training. However, the noisy nature of the market affects the
consistency and profitability of the algorithms. To address this problem, we
designed trading rule features that are derived from technical indicators and
trading rules. The parameters of technical indicators are optimized to maximize
trading performance. We also proposed a novel cost function that computes the
risk-adjusted return, Sharpe and Sterling Ratio (SSR), in an effort to reduce
the variance and the magnitude of drawdowns. An automatic robotic trading
(RoboTrading) strategy is designed with the proposed Genetic Algorithm
Maximizing Sharpe and Sterling Ratio model (GA-MSSR) model. The experiment was
conducted on intraday data of 6 major currency pairs from 2018 to 2019. The
results consistently showed significant positive returns and the performance of
the trading system is superior using the optimized rule-based features. The
highest return obtained was 320% annually using 5-minute AUDUSD currency pair.
Besides, the proposed model achieves the best performance on risk factors,
including maximum drawdowns and variance in return, comparing to benchmark
models. The code can be accessed at
https://github.com/zzzac/rule-based-forextrading-system
- Abstract(参考訳): 外国為替は世界最大の金融市場であり、また最も不安定な市場の一つである。
技術分析はフォレックス市場において重要な役割を担い、トレーディングアルゴリズムは機械学習技術を利用して設計されている。
ほとんどの文献は、歴史的価格情報と技術指標を訓練に用いた。
しかし、市場のノイズの性質はアルゴリズムの一貫性と利益性に影響を与える。
この問題に対処するため,我々は,技術指標と取引規則に由来する取引ルールの特徴をデザインした。
技術指標のパラメータは取引性能の最大化に最適化されている。
また,リスク調整されたリターンであるシャープとスターリング比(SSR)を計算し,損失の分散と大小化を図るために,新たなコスト関数を提案した。
自動ロボットトレーディング(RoboTrading)戦略は,GA-MSSRモデルを用いて提案した遺伝的アルゴリズムを最大化する。
実験は、2018年から2019年までの6つの主要通貨ペアの日内データに基づいて実施された。
その結果, 一定の正のリターンを示し, 最適化されたルールベースの特徴により, 取引システムの性能が優れていることがわかった。
最も高いリターンは5分間のAUDUSD通貨ペアを使用して年間320%だった。
さらに,提案モデルでは,最大ドローダウンや変動といったリスク要因に対して,ベンチマークモデルと比較して最高のパフォーマンスを実現している。
コードはhttps://github.com/zzzac/rule-based-forextrading-systemでアクセスできる。
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) - Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。
8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
論文 参考訳(メタデータ) (2024-06-02T06:39:01Z) - 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) - IMM: An Imitative Reinforcement Learning Approach with Predictive
Representation Learning for Automatic Market Making [33.23156884634365]
強化学習技術は量的取引において顕著な成功を収めた。
既存のRLベースのマーケットメイキング手法のほとんどは、単価レベルの戦略の最適化に重点を置いている。
Imitative Market Maker (IMM) は、準最適信号に基づく専門家の知識と直接的な政策相互作用の両方を活用する新しいRLフレームワークである。
論文 参考訳(メタデータ) (2023-08-17T11:04:09Z) - Commodities Trading through Deep Policy Gradient Methods [0.0]
商品取引問題を連続的な離散時間力学系として定式化する。
アクターベースとアクタークリティカルベースの2つのポリシーアルゴリズムが導入された。
先月末の天然ガス先物試験では、DRLモデルのシャープ比が買いと持ち株ベースラインと比較して83%高くなることが示されている。
論文 参考訳(メタデータ) (2023-08-10T17:21:12Z) - Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock
Recommendation via Split Variational Adversarial Training [44.7991257631318]
本稿では,リスクを意識したストックレコメンデーションのための新しいSVAT法を提案する。
株式レコメンデーションモデルのボラティリティを下げることで、SVATは投資リスクを効果的に低減し、リスク調整利益の点で最先端のベースラインを30%以上上回ります。
論文 参考訳(メタデータ) (2023-04-20T12:10:12Z) - Quantitative Stock Investment by Routing Uncertainty-Aware Trading
Experts: A Multi-Task Learning Approach [29.706515133374193]
既存のディープラーニング手法はランダムなシードやネットワークルータに敏感であることを示す。
本稿では,成功した取引会社の効果的なボトムアップトレーディング戦略設計ワークフローを模倣する,量的投資のための新しい2段階混成(MoE)フレームワークを提案する。
AlphaMixは4つの財務基準において、最先端のベースラインを大きく上回っている。
論文 参考訳(メタデータ) (2022-06-07T08:58:00Z) - Predicting Status of Pre and Post M&A Deals Using Machine Learning and
Deep Learning Techniques [0.0]
リスク仲裁または合併仲裁は、M&A取引の成功を推測する投資戦略である。
事前の取引状況の予測は、リスク仲裁者にとって非常に重要である。
本稿では,買収成功予測問題に対するMLとDLに基づく手法を提案する。
論文 参考訳(メタデータ) (2021-08-05T21:26:45Z) - Constraint-Based Inference of Heuristics for Foreign Exchange Trade
Model Optimization [13.26093613374959]
我々は,高いレートの取引信号を持つ2つのデータセットを開発する。
3つの低マージン機器と6つのOHLC粒度の10年間のForex価格データの機械学習シミュレーションを行う。
その結果,各計器粒度対に最も最適な貿易パラメータの具体的かつ再現可能なリストを作成した。
論文 参考訳(メタデータ) (2021-05-11T00:36:02Z) - Wavelet Denoising and Attention-based RNN-ARIMA Model to Predict Forex
Price [0.30458514384586405]
ARIMA(Autoregressive Integrated Average)は,ウェーブレットのデノイング,アテンションベースリカレントニューラルネットワーク(ARNN),自動回帰統合型インテグレート・アベレージ・アベレージ(ARIMA)を統合した新しい手法を提案する。
USD/JPYの5分間データに対する実験は,ベースライン法よりも優れている。
論文 参考訳(メタデータ) (2020-08-16T05:32:40Z) - 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)
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。