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

• 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]
  これはリスクの高い企業を取り入れ、ポートフォリオの最適化に全企業を使う最初の研究だ。 グラフ注意ネットワーク(GAT)を利用した新しい手法の提案と実証試験を行った。 GATは、ネットワークデータを利用して非線形関係を明らかにするディープラーニングベースのモデルである。
  論文  参考訳（メタデータ） (2024-07-22T10:50:47Z)
• Uncertainty-guided Optimal Transport in Depth Supervised Sparse-View 3D Gaussian [49.21866794516328]
  3次元ガウシアンスプラッティングは、リアルタイムな新規ビュー合成において顕著な性能を示した。 これまでのアプローチでは、3Dガウスの訓練に奥行き監視を取り入れ、オーバーフィッティングを軽減してきた。 本研究では,3次元ガウスの深度分布を可視化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:18:30Z)
• 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)
• Iterative Pseudo-Labeling with Deep Feature Annotation and Confidence-Based Sampling [127.46527972920383]
  大規模で注釈付きデータセットが利用できない場合には、ディープニューラルネットワークのトレーニングは難しい。 我々は、最も確実な教師なしサンプルを選択して、深層ニューラルネットワークを反復的に訓練することで、最近の反復的擬似ラベル技術であるDeep Featureを改善した。 まず最初に、自己学習されたディープニューラルネットワークであるベースラインの最適な設定を確認し、異なる信頼しきい値に対してDeepFAを評価する。
  論文  参考訳（メタデータ） (2021-09-06T20:02:13Z)
• 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。