論文の概要: DeepFolio: Convolutional Neural Networks for Portfolios with Limit Order
Book Data
- arxiv url: http://arxiv.org/abs/2008.12152v1
- Date: Thu, 27 Aug 2020 14:28:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 07:25:10.855921
- Title: DeepFolio: Convolutional Neural Networks for Portfolios with Limit Order
Book Data
- Title(参考訳): DeepFolio: リミットオーダーブックデータを備えたポートフォリオのための畳み込みニューラルネットワーク
- Authors: Aiusha Sangadiev, Rodrigo Rivera-Castro, Kirill Stepanov, Andrey
Poddubny, Kirill Bubenchikov, Nikita Bekezin, Polina Pilyugina and Evgeny
Burnaev
- Abstract要約: DeepFolioは、リミットオーダーブック(LOB)のデータに基づく、ディープポートフォリオ管理の新しいモデルである。
DeepFolioは文献において広く使われているポートフォリオ割り当て技術より優れていることを示す。
- 参考スコア(独自算出の注目度): 9.254191196996743
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work proposes DeepFolio, a new model for deep portfolio management based
on data from limit order books (LOB). DeepFolio solves problems found in the
state-of-the-art for LOB data to predict price movements. Our evaluation
consists of two scenarios using a large dataset of millions of time series. The
improvements deliver superior results both in cases of abundant as well as
scarce data. The experiments show that DeepFolio outperforms the
state-of-the-art on the benchmark FI-2010 LOB. Further, we use DeepFolio for
optimal portfolio allocation of crypto-assets with rebalancing. For this
purpose, we use two loss-functions - Sharpe ratio loss and minimum volatility
risk. We show that DeepFolio outperforms widely used portfolio allocation
techniques in the literature.
- Abstract(参考訳): この研究は、リミットオーダーブック(LOB)のデータに基づくディープポートフォリオ管理の新しいモデルであるDeepFolioを提案する。
DeepFolioは、LOBデータの最先端にある問題を解決することで、価格の動きを予測する。
我々の評価は、数百万の時系列の大規模なデータセットを用いた2つのシナリオからなる。
この改善は、豊富なデータと少ないデータの両方で優れた結果をもたらす。
実験の結果,DeepFolio はベンチマーク FI-2010 LOB において最先端の手法よりも優れていた。
さらに,リバランスを伴う暗号資産の最適ポートフォリオ割り当てにdeepfolioを用いた。
この目的のために、シャープ比損失と最小ボラティリティリスクの2つの損失関数を用いる。
DeepFolioは文献において広く使われているポートフォリオ割り当て技術より優れていることを示す。
関連論文リスト
- Finedeep: Mitigating Sparse Activation in Dense LLMs via Multi-Layer Fine-Grained Experts [82.74439280067492]
ファインディープ(英: Finedeep)は、高密度モデルのための、きめ細かいきめ細かなアーキテクチャである。
我々のフレームワークは、従来の高密度モデルのフィードフォワードニューラルネットワーク層を小さな専門家に分割する。
各専門家の貢献度を決定するための新しいルーティング機構が提案されている。
論文 参考訳(メタデータ) (2025-02-18T15:09:58Z) - DepthLab: From Partial to Complete [80.58276388743306]
不足する値は、幅広いアプリケーションにわたる深度データにとって共通の課題である。
この作業は、イメージ拡散プリエントを利用した基礎深度塗装モデルであるDepthLabと、このギャップを埋めるものだ。
提案手法は,3Dシーンのインペイント,テキストから3Dシーン生成,DUST3Rによるスパースビュー再構成,LiDAR深度補完など,様々なダウンストリームタスクにおいて有用であることを示す。
論文 参考訳(メタデータ) (2024-12-24T04:16:38Z) - Deep Cost Ray Fusion for Sparse Depth Video Completion [29.512567810302368]
スパース深度ビデオ補完のための学習ベースフレームワークを提案する。
隣り合うコストボリュームの重なり合った1対の光線に対して、注意機構を効果的に活用するRayFusionを導入する。
我々のフレームワークは、さまざまな屋内および屋外データセットに対する最先端のアプローチを一貫して上回るか、あるいはライバルする。
論文 参考訳(メタデータ) (2024-09-23T11:42:16Z) - A Deep Reinforcement Learning Framework For Financial Portfolio Management [3.186092314772714]
ディープラーニング技術によって解決されるポートフォリオ管理の問題である。
このフレームワークを実現するために、CNN(Convolutional Neural Network)、RNN(Basic Recurrent Neural Network)、Long Short-Term Memory(Long Short-Term Memory)という3つの異なるインスタンスが使用される。
我々は、優れたリターンを得られる原紙の複製に成功したが、株式市場に適用されると、うまく機能しない。
論文 参考訳(メタデータ) (2024-09-03T20:11:04Z) - Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
本研究では、中規模企業における30年間のデータを活用し、距離相関と三角最大フィルタグラフを用いた企業のグラフを作成する。
GATベースのモデルが生み出すポートフォリオは、すべてのベンチマークより優れており、長期にわたって他の戦略よりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2024-07-22T10:50:47Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - A Novel Experts Advice Aggregation Framework Using Deep Reinforcement
Learning for Portfolio Management [0.0]
本稿では,専門家の信号と過去の価格データを用いて,強化学習フレームワークにフィードバックを与える手法を提案する。
私たちのフレームワークは、最高の専門家が獲得した利益の90%を得ることができます。
論文 参考訳(メタデータ) (2022-12-29T22:48:26Z) - ETF Portfolio Construction via Neural Network trained on Financial
Statement Data [20.829648804496202]
本稿では,そのコンポーネントの財務諸表データに基づいて取引所のポートフォリオを構築するための新たなアプローチを提案する。
個々の在庫のデータを使って、ニューラルネットワークをトレーニングし、個々の在庫の将来のパフォーマンスを予測する。
論文 参考訳(メタデータ) (2022-07-04T04:07:44Z) - Evaluating data augmentation for financial time series classification [85.38479579398525]
2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。
比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。
より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
論文 参考訳(メタデータ) (2020-10-28T17:53:57Z) - 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) - On the Difference Between the Information Bottleneck and the Deep
Information Bottleneck [81.89141311906552]
本稿では,Deep Variational Information Bottleneckとその導出に必要な仮定について再考する。
後者のマルコフ連鎖のみを満たすべき$I(T;Y)$に対して下界を最適化することで、この制限を回避する方法を示す。
論文 参考訳(メタデータ) (2019-12-31T18:31:42Z)
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。