論文の概要: ADD: Augmented Disentanglement Distillation Framework for Improving
Stock Trend Forecasting
- arxiv url: http://arxiv.org/abs/2012.06289v1
- Date: Fri, 11 Dec 2020 12:46:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 12:54:05.318549
- Title: ADD: Augmented Disentanglement Distillation Framework for Improving
Stock Trend Forecasting
- Title(参考訳): ADD: ストックトレンド予測を改善するための拡張ディスタングル蒸留フレームワーク
- Authors: Hongshun Tang, Lijun Wu, Weiqing Liu, Jiang Bian
- Abstract要約: ノイズデータから干渉特性を除去するためのemphAugmented Disentanglement Distillation (ADD) 手法を提案する。
本手法は、株式動向予測性能及びバックテストによる実際の投資収益を大幅に改善することを示しています。
- 参考スコア(独自算出の注目度): 14.778735265376659
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stock trend forecasting has become a popular research direction that attracts
widespread attention in the financial field. Though deep learning methods have
achieved promising results, there are still many limitations, for example, how
to extract clean features from the raw stock data. In this paper, we introduce
an \emph{Augmented Disentanglement Distillation (ADD)} approach to remove
interferential features from the noised raw data. Specifically, we present 1) a
disentanglement structure to separate excess and market information from the
stock data to avoid the two factors disturbing each other's own prediction.
Besides, by applying 2) a dynamic self-distillation method over the
disentanglement framework, other implicit interference factors can also be
removed. Further, thanks to the decoder module in our framework, 3) a novel
strategy is proposed to augment the training samples based on the different
excess and market features to improve performance. We conduct experiments on
the Chinese stock market data. Results show that our method significantly
improves the stock trend forecasting performances, as well as the actual
investment income through backtesting, which strongly demonstrates the
effectiveness of our approach.
- Abstract(参考訳): 株価トレンド予測は、金融分野で広く注目を集める研究方向として人気がある。
ディープラーニングの手法は有望な成果を上げていますが、生のストックデータからクリーンな機能を抽出する方法など、まだ多くの制限があります。
本稿では,ノイズ付き生データから干渉特性を除去する<emph{Augmented Disentanglement Distillation (ADD) アプローチを提案する。
具体的には,1)ストックデータから余剰情報と市場情報を分離して,相互の予測を乱す2つの要因を回避するための絡み合い構造を提案する。
また, 2) 動的自己蒸留法を適用して, 他の暗黙的干渉因子を除去することができる。
さらに,本フレームワークのデコーダモジュールのおかげで,異なる余剰および市場特性に基づいてトレーニングサンプルを増強し,性能を向上させる新たな戦略が提案されている。
我々は中国株式市場のデータで実験を行う。
その結果,提案手法は,バックテストによる実際の投資所得だけでなく,株価トレンド予測性能を著しく改善し,アプローチの有効性を強く示している。
関連論文リスト
- Debias the Training of Diffusion Models [53.49637348771626]
本研究では,拡散モデルにおいて一定の損失重み戦略を用いることで,トレーニング期間中に偏りが生じるという理論的証拠を提供する。
理論的に偏りのない原理に基づくエレガントで効果的な重み付け戦略を提案する。
これらの分析は、拡散モデルの内部動作の理解とデミステレーションを促進することが期待されている。
論文 参考訳(メタデータ) (2023-10-12T16:04:41Z) - On Counterfactual Data Augmentation Under Confounding [30.76982059341284]
トレーニングデータのバイアスを緩和する手段として、対実データ拡張が出現している。
これらのバイアスは、データ生成プロセスにおいて観測され、観測されていない様々な共役変数によって生じる。
提案手法は,既存の最先端手法が優れた結果を得るのにどのように役立つかを示す。
論文 参考訳(メタデータ) (2023-05-29T16:20:23Z) - Incorporating Interactive Facts for Stock Selection via Neural Recursive
ODEs [30.629948593098273]
ガウス事前を持つ潜在変数モデルであるStockODEを提案する。
我々は、ストックボラティリティの時間的進化を捉えるために、ニューラル再帰正規微分方程式ネットワーク(NRODE)を設計する。
2つの実世界の株式市場データセットで実施された実験は、StockODEがいくつかのベースラインを大きく上回っていることを示している。
論文 参考訳(メタデータ) (2022-10-28T06:14:02Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Trade When Opportunity Comes: Price Movement Forecasting via
Locality-Aware Attention and Iterative Refinement Labeling [9.867012324763524]
本稿では,新しい価格変動予測フレームワークであるLARAを提案する。
LA-Attentionは、ラベル情報に出席することで、潜在的に利益の出るサンプルを自動的に抽出する。
RA-Labelingは、潜在的に利益を得る可能性のあるサンプルのノイズラベルを洗練し、頑丈な予測器を目に見えない、ノイズの多いサンプルと組み合わせる。
論文 参考訳(メタデータ) (2021-07-26T05:52:42Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳(メタデータ) (2021-02-15T07:22:09Z) - Deep Portfolio Optimization via Distributional Prediction of Residual
Factors [3.9189409002585562]
そこで本稿では,残余要因と呼ばれる金融量分布の予測に基づくポートフォリオ構築手法を提案する。
本手法が米国および日本の株式市場データに有効であることを実証する。
論文 参考訳(メタデータ) (2020-12-14T04:09:52Z) - A Simple but Tough-to-Beat Data Augmentation Approach for Natural
Language Understanding and Generation [53.8171136907856]
カットオフと呼ばれる、シンプルで効果的なデータ拡張戦略のセットを紹介します。
カットオフはサンプリング一貫性に依存しているため、計算オーバーヘッドが少なくなる。
cutoffは、敵のトレーニングを一貫して上回り、IWSLT2014 German- English データセットで最先端の結果を達成する。
論文 参考訳(メタデータ) (2020-09-29T07:08:35Z) - Capturing dynamics of post-earnings-announcement drift using genetic
algorithm-optimised supervised learning [3.42658286826597]
PEAD(Post-Earnings-Announcement Drift)は、最も研究されている株式市場の異常の一つである。
代わりに、機械学習ベースのアプローチを使用して、大規模なストックグループのデータを使用してPEADダイナミクスをキャプチャすることを目的としています。
論文 参考訳(メタデータ) (2020-09-07T13:27:06Z) - Learning to Infer User Hidden States for Online Sequential Advertising [52.169666997331724]
本稿では,これらの問題に対処するディープインテントシーケンス広告(DISA)手法を提案する。
解釈可能性の鍵となる部分は、消費者の購入意図を理解することである。
論文 参考訳(メタデータ) (2020-09-03T05:12:26Z) - Mind the Trade-off: Debiasing NLU Models without Degrading the
In-distribution Performance [70.31427277842239]
信頼性正則化という新しいデバイアス化手法を導入する。
モデルがバイアスを悪用するのを防ぐと同時に、トレーニングのすべての例から学ぶのに十分なインセンティブを得られるようにします。
提案手法を3つのNLUタスクで評価し,前者とは対照的に,アウト・オブ・ディストリビューション・データセットの性能が向上することを示す。
論文 参考訳(メタデータ) (2020-05-01T11:22:55Z)
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。