論文の概要: Predicting S&P500 Index direction with Transfer Learning and a Causal
Graph as main Input
- arxiv url: http://arxiv.org/abs/2011.13113v3
- Date: Thu, 28 Apr 2022 02:53:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 08:38:17.082818
- Title: Predicting S&P500 Index direction with Transfer Learning and a Causal
Graph as main Input
- Title(参考訳): 伝達学習と因果グラフを主入力としたs&p500指標方向の予測
- Authors: Djoumbissie David Romain
- Abstract要約: 本稿では,金融市場ダイナミクスの複雑かつ不確実な因果過程を表現するために,統合型マルチタスクフレームワークを提案する。
次に、S&P500指数の月次方向に適用した任意の種類の指標の移動を予測する。
- 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 propose a unified multi-tasking framework to represent the complex and
uncertain causal process of financial market dynamics, and then to predict the
movement of any type of index with an application on the monthly direction of
the S&P500 index. our solution is based on three main pillars: (i) the use of
transfer learning to share knowledge and feature (representation, learning)
between all financial markets, increase the size of the training sample and
preserve the stability between training, validation and test sample. (ii) The
combination of multidisciplinary knowledge (Financial economics, behavioral
finance, market microstructure and portfolio construction theories) to
represent a global top-down dynamics of any financial market, through a graph.
(iii) The integration of forward looking unstructured data, different types of
contexts (long, medium and short term) through latent variables/nodes and then,
use a unique VAE network (parameter sharing) to learn simultaneously their
distributional representation. We obtain Accuracy, F1-score, and Matthew
Correlation of 74.3 %, 67 % and 0.42 above the industry and other benchmark on
12 years test period which include three unstable and difficult sub-period to
predict.
- Abstract(参考訳): 本研究では,金融市場ダイナミクスの複雑かつ不確定な因果過程を表現するための統合マルチタスクフレームワークを提案し,s&p500指数の月次方向のアプリケーションを用いて,任意の種類の指標の移動を予測する。
私たちの解決策は3つの柱に基づいています
(i)すべての金融市場間で知識と特徴(表現、学習)を共有し、トレーニングサンプルのサイズを増加させ、トレーニング、検証、テストサンプル間の安定性を維持するための転校学習の利用。
(ii)金融市場のグローバルトップダウンダイナミクスを表現するための多分野の知識(金融経済学、行動ファイナンス、市場構造、ポートフォリオ構築理論)のグラフによる組み合わせ
(iii)前方の非構造化データの統合、潜伏変数/ノードを通して異なる種類のコンテキスト(長・中・短期)、そしてその分散表現を同時に学習するためにユニークなvaeネットワーク(パラメータ共有)を使用する。
精度,f1-scoreおよびmatthew相関は,3つの不安定かつ難解なサブ周期を含む12年間の試験期間において,業界およびその他のベンチマークで74.3 %,67 %,0.42であった。
関連論文リスト
- PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark
for Finance [63.51545277822702]
PIXIUは、命令データ付き微調整LLaMAに基づく最初の金融大規模言語モデル(LLM)を含む包括的なフレームワークである。
我々はLLaMAを細調整してFinMAを提案する。
我々は、FinMAと既存のLLMを詳細に分析し、重要な財政課題に対処する際の長所と短所を明らかにする。
論文 参考訳(メタデータ) (2023-06-08T14:20:29Z) - Joint Latent Topic Discovery and Expectation Modeling for Financial
Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。
このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。
私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文 参考訳(メタデータ) (2023-06-01T01:36:51Z) - On Robustness in Multimodal Learning [75.03719000820388]
マルチモーダル学習は、ビデオ、オーディオ、テキストなどの複数の入力モダリティの学習として定義される。
本稿では,一般的なマルチモーダル表現学習手法の体系的解析を行うためのマルチモーダルロバストネスフレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-10T05:02:07Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Dual-CLVSA: a Novel Deep Learning Approach to Predict Financial Markets
with Sentiment Measurements [11.97251638872227]
本稿では、取引データとそれに対応する社会的感情測定の両方を用いて、個別のシーケンス・ツー・シーケンス・チャネルを通じて、金融市場の動きを予測するための新しい深層学習手法であるDouble-CLVSAを提案する。
その結果、両CLVSAは2種類のデータを効果的に融合させ、感情測定が金融市場の予測に有益であるだけでなく、予測システムの性能を高めるための余分な利益性も備えていることが明らかとなった。
論文 参考訳(メタデータ) (2022-01-27T20:32:46Z) - Forecasting Financial Market Structure from Network Features using
Machine Learning [0.6999740786886535]
機械学習を用いて,リンク型およびノード型金融ネットワークの機能から市場相関構造を予測するモデルを提案する。
本稿では,3つの異なるネットワークフィルタリング手法を用いて市場構造,すなわち動的アセットグラフ(DAG),動的ミニマルスパンニングツリー(DMST),動的スレッショルドネットワーク(DTN)を推定する実験的なエビデンスを提案する。
実験結果から,提案モデルが予測性能の高い市場構造を予測できることを示す。
論文 参考訳(メタデータ) (2021-10-22T12:51:32Z) - S&P 500 Stock Price Prediction Using Technical, Fundamental and Text
Data [5.420890357732937]
株価予測に使用される一般的な予測モデルと新しい予測モデルの両方をまとめた。
S&Pの株価を予測するために、技術的な指標、基本的な特徴、テキストベースの感情データと組み合わせました。
S&P 500指数の方向予測における66.18%の精度と、個人株の方向予測における62.09%の精度が達成された。
論文 参考訳(メタデータ) (2021-08-24T16:18:52Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳(メタデータ) (2020-12-10T01:15:48Z) - Predictive intraday correlations in stable and volatile market
environments: Evidence from deep learning [2.741266294612776]
我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。
以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。
ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
論文 参考訳(メタデータ) (2020-02-24T17:19:54Z) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳(メタデータ) (2020-02-11T19:18:18Z)
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。