論文の概要: Learning low-frequency temporal patterns for quantitative trading
- arxiv url: http://arxiv.org/abs/2008.09481v1
- Date: Wed, 12 Aug 2020 11:59:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 06:16:38.321927
- Title: Learning low-frequency temporal patterns for quantitative trading
- Title（参考訳）: 定量取引のための低周波時間パターンの学習
- Authors: Joel da Costa, Tim Gebbie
- Abstract要約: 我々は、低周波の金融時系列データから信号を学習するための、モジュール化されたオンライン機械学習フレームワークの実現性を検討する。
このフレームワークは、JSEの株式市場から毎日サンプル化された時系列データに基づいて証明されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the viability of a modularised mechanistic online machine
learning framework to learn signals in low-frequency financial time series
data. The framework is proved on daily sampled closing time-series data from
JSE equity markets. The input patterns are vectors of pre-processed sequences
of daily, weekly and monthly or quarterly sampled feature changes. The data
processing is split into a batch processed step where features are learnt using
a stacked autoencoder via unsupervised learning, and then both batch and online
supervised learning are carried out using these learnt features, with the
output being a point prediction of measured time-series feature fluctuations.
Weight initializations are implemented with restricted Boltzmann machine
pre-training, and variance based initializations. Historical simulations are
then run using an online feedforward neural network initialised with the
weights from the batch training and validation step. The validity of results
are considered under a rigorous assessment of backtest overfitting using both
combinatorially symmetrical cross validation and probabilistic and deflated
Sharpe ratios. Results are used to develop a view on the phenomenology of
financial markets and the value of complex historical data-analysis for trading
under the unstable adaptive dynamics that characterise financial markets.
- Abstract（参考訳）: 我々は、低周波金融時系列データから信号を学ぶためのモジュール化されたメカニスティックオンライン機械学習フレームワークの実現可能性を検討する。
このフレームワークは、JSEの株式市場から毎日サンプル化された時系列データに基づいて証明されている。
入力パターンは、日毎、週毎、または四半期毎の特徴変化の前処理シーケンスのベクトルである。
データ処理は、教師なし学習により積み重ねられたオートエンコーダを用いて特徴を学習するバッチ処理ステップに分割し、これらの学習特徴を用いてバッチおよびオンライン教師付き学習を行い、出力を測定された時系列特徴変動の点予測とする。
重み付き初期化は制限付きボルツマンマシンプレトレーニングと分散に基づく初期化で実装される。
履歴シミュレーションは、バッチトレーニングと検証ステップの重みで初期化されたオンラインフィードフォワードニューラルネットワークを使用して実行される。
その結果, 後方テストオーバーフィッティングの厳密な評価法として, 組合せ対称クロスバリデーションと確率的および縮退シャープ比を用いて検討した。
結果は、金融市場の現象学と、金融市場の特性を特徴づける不安定な適応力学の下での取引における複雑な歴史的データ分析の価値に関する見解を構築するために使用される。
関連論文リスト
- CALICO: Confident Active Learning with Integrated Calibration [11.978551396144532]
トレーニングプロセス中にサンプル選択に使用される信頼度を自己校正するALフレームワークを提案する。
ラベル付きサンプルが少ないソフトマックス分類器と比較して,分類性能が向上した。
論文 参考訳（メタデータ） (2024-07-02T15:05:19Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Feature Selection with Annealing for Forecasting Financial Time Series [2.44755919161855]
本研究では,機械学習(ML)モデルを用いた戦術的入力出力特徴マッピング技術に基づいて,財務時系列を総合的に予測する手法を提案する。
実験の結果,FSAアルゴリズムは問題の種類に関わらず,MLモデルの性能を向上することが示された。
論文 参考訳（メタデータ） (2023-03-03T21:33:38Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - Data Feedback Loops: Model-driven Amplification of Dataset Biases [9.773315369593876]
我々は、あるモデルとのインタラクションを履歴として記録し、将来トレーニングデータとしてスクラップ化するシステムを定式化する。
テスト時間偏差統計に対する変化を追跡することによって、その安定性を経時的に分析する。
バイアス増幅の度合いは、モデルの出力がトレーニング分布のサンプルのように振る舞うかどうかと密接に関連していることがわかった。
論文 参考訳（メタデータ） (2022-09-08T17:35:51Z) - 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) - Learning Non-Stationary Time-Series with Dynamic Pattern Extractions [16.19692047595777]
最先端のアルゴリズムは、定常時間データを扱う上で、優れたパフォーマンスを実現している。
定常時系列に対処する伝統的なアルゴリズムは、Forexトレーディングのような静止しないシリーズには適用されない。
本稿では,非定常時系列列の予測の精度を向上する適用モデルについて検討する。
論文 参考訳（メタデータ） (2021-11-20T10:52:37Z) - 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) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳（メタデータ） (2020-12-04T19:21:37Z) - Conditional Mutual information-based Contrastive Loss for Financial Time
Series Forecasting [12.0855096102517]
金融時系列予測のための表現学習フレームワークを提案する。
本稿では、まず時系列データからコンパクトな表現を学習し、次に学習した表現を用いて、時系列の動きを予測するためのより単純なモデルを訓練する。
論文 参考訳（メタデータ） (2020-02-18T15:24:33Z)
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。