論文の概要: Beating the market with a bad predictive model

• arxiv url: http://arxiv.org/abs/2010.12508v1
• Date: Fri, 23 Oct 2020 16:20:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 00:02:35.932674
• Title: Beating the market with a bad predictive model
• Title（参考訳）: 悪い予測モデルで市場を打ち負かす
• Authors: Ond\v{r}ej Hub\'a\v{c}ek, Gustav \v{S}\'ir
• Abstract要約: 我々は、価格予測モデルに完全に劣る体系的な利益を一般的に得ることを証明している。 鍵となるアイデアは、予測モデルのトレーニング目標を変更して、それを市場から明示的にデコレーションすることだ。
• 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: It is a common misconception that in order to make consistent profits as a trader, one needs to posses some extra information leading to an asset value estimation more accurate than that reflected by the current market price. While the idea makes intuitive sense and is also well substantiated by the widely popular Kelly criterion, we prove that it is generally possible to make systematic profits with a completely inferior price-predicting model. The key idea is to alter the training objective of the predictive models to explicitly decorrelate them from the market, enabling to exploit inconspicuous biases in market maker's pricing, and profit on the inherent advantage of the market taker. We introduce the problem setting throughout the diverse domains of stock trading and sports betting to provide insights into the common underlying properties of profitable predictive models, their connections to standard portfolio optimization strategies, and the, commonly overlooked, advantage of the market taker. Consequently, we prove desirability of the decorrelation objective across common market distributions, translate the concept into a practical machine learning setting, and demonstrate its viability with real world market data.
• Abstract（参考訳）: トレーダとして一貫した利益を得るためには、現在の市場価格に反映されるよりも資産価値の推定に繋がる余分な情報を投入する必要があるという一般的な誤解である。 このアイデアは直感的な意味を持ち、また広く普及しているケリー基準にもよく裏付けられているが、概して価格予測モデルが全く劣る体系的な利益を得られることを証明している。 鍵となる考え方は、予測モデルのトレーニング目標を変更して、それを市場から明示的にデコレーションし、市場メーカの価格に不明瞭な偏見を生かし、市場保有者固有の利益を生かすことである。 我々は、株式取引およびスポーツ賭けの多様な分野にまたがる問題の設定を導入し、利益の出る予測モデルの共通特性、標準ポートフォリオ最適化戦略との関連、そして一般的に見過ごされがちなマーケットテイクの利点について洞察を提供する。 その結果,共通の市場分布にまたがる非相関目標が望ましいことを証明し,概念を実用的な機械学習環境に翻訳し,現実の市場データを用いてその実現可能性を示す。

関連論文リスト

• MCI-GRU: Stock Prediction Model Based on Multi-Head Cross-Attention and Improved GRU [15.232546605091818]
  本稿では,多頭部クロスアテンション機構と改良型GRUに基づくストック予測モデルMCI-GRUを提案する。 4つの主要株式市場での実験では、提案手法は複数の指標でSOTA技術を上回っている。
  論文  参考訳（メタデータ） (2024-09-25T14:37:49Z)
• Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Reinforcement Learning for Corporate Bond Trading: A Sell Side Perspective [0.0]
  社債トレーダーは、テキスト優先の市場価格にスプレッドを追加して引用を提供する 不正な債券については、市場価格の観測が困難であり、トレーダーはしばしば利用可能なベンチマーク債の価格に頼っている。 本稿では,データ駆動方式による最適入札分散商法の推定にアプローチし,強化学習を用いて学習できることを示す。
  論文  参考訳（メタデータ） (2024-06-18T18:02:35Z)
• An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
  フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。 本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:25:53Z)
• ALERTA-Net: A Temporal Distance-Aware Recurrent Networks for Stock Movement and Volatility Prediction [20.574163667057476]
  我々は、株式市場予測の精度を高めるために、世論の豊かな情報源であるソーシャルメディアデータの力を活用している。 我々は、感情分析、マクロ経済指標、検索エンジンデータ、過去の価格をマルチアテンション深層学習モデルに組み込むアプローチを開拓した。 市場の動向とボラティリティの予測のために,私たちによって特別にキュレーションされたデータセットを用いて,提案モデルの最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-28T13:31:39Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
  本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。 データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。 概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T13:06:34Z)
• HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE [113.47287249524008]
  オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。 本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。 4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-06-05T12:58:13Z)
• Finding Regularized Competitive Equilibria of Heterogeneous Agent Macroeconomic Models with Reinforcement Learning [151.03738099494765]
  労働市場に参入する世帯や企業を無限に数える異種エージェントマクロ経済モデルについて検討する。 本稿では,モデルの正規化競争均衡を求めるデータ駆動強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-24T17:16:27Z)
• Measuring Financial Time Series Similarity With a View to Identifying Profitable Stock Market Opportunities [12.101446195463591]
  歴史的価格データのみを用いて株式市場のリターンを予測するケースベースの推論手法について述べる。 この研究の重要な貢献は、歴史的価格データを比較するための新しい類似度指標の開発である。
  論文  参考訳（メタデータ） (2021-07-07T17:26:32Z)
• Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
  署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。 さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。 この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-17T14:58:29Z)

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。