論文の概要: Taking Over the Stock Market: Adversarial Perturbations Against
Algorithmic Traders
- arxiv url: http://arxiv.org/abs/2010.09246v2
- Date: Thu, 2 Sep 2021 07:13:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 23:28:19.241392
- Title: Taking Over the Stock Market: Adversarial Perturbations Against
Algorithmic Traders
- Title(参考訳): 株式市場を乗っ取る:アルゴリズムトレーダーに対する敵対的摂動
- Authors: Elior Nehemya and Yael Mathov and Asaf Shabtai and Yuval Elovici
- Abstract要約: 本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。
入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
- 参考スコア(独自算出の注目度): 47.32228513808444
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, machine learning has become prevalent in numerous tasks,
including algorithmic trading. Stock market traders utilize machine learning
models to predict the market's behavior and execute an investment strategy
accordingly. However, machine learning models have been shown to be susceptible
to input manipulations called adversarial examples. Despite this risk, the
trading domain remains largely unexplored in the context of adversarial
learning. In this study, we present a realistic scenario in which an attacker
influences algorithmic trading systems by using adversarial learning techniques
to manipulate the input data stream in real time. The attacker creates a
universal perturbation that is agnostic to the target model and time of use,
which, when added to the input stream, remains imperceptible. We evaluate our
attack on a real-world market data stream and target three different trading
algorithms. We show that when added to the input stream, our perturbation can
fool the trading algorithms at future unseen data points, in both white-box and
black-box settings. Finally, we present various mitigation methods and discuss
their limitations, which stem from the algorithmic trading domain. We believe
that these findings should serve as an alert to the finance community about the
threats in this area and promote further research on the risks associated with
using automated learning models in the trading domain.
- Abstract(参考訳): 近年、アルゴリズム取引を含む多くのタスクで機械学習が普及している。
株式市場のトレーダーは、機械学習モデルを使用して市場の振る舞いを予測し、それに従って投資戦略を実行する。
しかし、機械学習モデルは、逆例と呼ばれる入力操作に影響を受けやすいことが示されている。
このリスクにもかかわらず、トレーディング・ドメインは相反する学習の文脈でほとんど未開拓のままである。
本研究では,リアルタイムに入力データストリームを操作するための逆学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。
攻撃者は、ターゲットモデルや使用時間と無関係な普遍的な摂動を生成し、入力ストリームに追加されると、まだ知覚できないままである。
実世界の市場データストリームに対する攻撃を評価し、3つの異なる取引アルゴリズムをターゲットにする。
入力ストリームに追加すると、当社の摂動は、ホワイトボックスとブラックボックスの両方の設定で、将来の目に見えないデータポイントのトレーディングアルゴリズムを騙すことができます。
最後に,様々な緩和手法を提示し,アルゴリズム的取引ドメインに起因した制限について考察する。
これらの発見は、この領域における脅威に関する金融コミュニティへの警告として役立ち、取引領域における自動学習モデルの使用に伴うリスクに関するさらなる研究を促進するべきである。
関連論文リスト
- Designing an attack-defense game: how to increase robustness of
financial transaction models via a competition [69.08339915577206]
金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。
本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。
我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。
参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
論文 参考訳(メタデータ) (2023-08-22T12:53:09Z) - Data Cross-Segmentation for Improved Generalization in Reinforcement
Learning Based Algorithmic Trading [5.75899596101548]
本稿では,学習した予測モデルからの信号に基づいて処理を行う強化学習(RL)アルゴリズムを提案する。
われわれのアルゴリズムは、ブルサ・マレーシアの20年以上のエクイティデータに基づいてテストしている。
論文 参考訳(メタデータ) (2023-07-18T16:00:02Z) - Does Machine Learning Amplify Pricing Errors in the Housing Market? --
The Economics of Machine Learning Feedback Loops [2.5699371511994777]
住宅市場における機械学習フィードバックループの分析モデルを構築した。
フィードバックループは、機械学習アルゴリズムを自分自身の精度で過度に信頼するようになることを示す。
次に、フィードバックループ平衡における住宅販売者の経済的な支払いが、機械学習を使わずに悪くなる状況を特定する。
論文 参考訳(メタデータ) (2023-02-18T23:20:57Z) - A Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools
Stock Prediction [100.9772316028191]
本稿では,3つのストック予測犠牲者モデルを騙すために,様々な攻撃構成を試行する。
以上の結果から,提案手法が一貫した成功率を達成し,取引シミュレーションにおいて大きな損失をもたらす可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-01T05:12:22Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳(メタデータ) (2021-12-17T12:47:18Z) - Learning to Learn Transferable Attack [77.67399621530052]
転送逆行攻撃は非自明なブラックボックス逆行攻撃であり、サロゲートモデル上で敵の摂動を発生させ、そのような摂動を被害者モデルに適用することを目的としている。
本研究では,データとモデル拡張の両方から学習することで,敵の摂動をより一般化する学習可能な攻撃学習法(LLTA)を提案する。
提案手法の有効性を実証し, 現状の手法と比較して, 12.85%のトランスファー攻撃の成功率で検証した。
論文 参考訳(メタデータ) (2021-12-10T07:24:21Z) - Time-varying neural network for stock return prediction [0.0]
オンライン早期停止アルゴリズムを用いてトレーニングされたニューラルネットワークは、未知のダイナミクスで変化する関数を追跡することができることを示す。
また,その要因(サイズや運動量の影響など)や業界指標が,株価回復予測の時間変化を示すことも示している。
論文 参考訳(メタデータ) (2020-03-05T10:16:13Z) - Adversarial Attacks on Machine Learning Systems for High-Frequency
Trading [55.30403936506338]
逆機械学習の観点から,アルゴリズム取引のバリュエーションモデルについて検討する。
攻撃コストを最小限に抑えるサイズ制約で、このドメインに特有の新たな攻撃を導入する。
本稿では、金融モデルのロバスト性について研究・評価するための分析ツールとして、これらの攻撃がどのように利用できるかについて論じる。
論文 参考訳(メタデータ) (2020-02-21T22:04:35Z) - Sentiment and Knowledge Based Algorithmic Trading with Deep
Reinforcement Learning [0.0]
アルゴリズムトレーディングは、その性質上、現実の世界にはあまりにも多くの変数があり、自動化された株式トレーディングのための信頼性の高いアルゴリズムを持つことはほぼ不可能である。
市場のアップアンドダウンを規定する物理的および生理的要因を考慮に入れた信頼性の高いラベル付きデータの欠如は、信頼できる予測のための教師付き学習の試みを妨げている。
本稿では,従来の時系列株価データとニュース見出しの感情を組み合わせ,暗黙の関係に関するニュースを活用できる知識グラフを活用した強化学習手法を提案する。
論文 参考訳(メタデータ) (2020-01-26T05:27:53Z)
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。