論文の概要: Building Cross-Sectional Systematic Strategies By Learning to Rank
- arxiv url: http://arxiv.org/abs/2012.07149v1
- Date: Sun, 13 Dec 2020 20:52:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-09 14:28:07.527384
- Title: Building Cross-Sectional Systematic Strategies By Learning to Rank
- Title(参考訳): ランク付け学習による横断的体系戦略の構築
- Authors: Daniel Poh, Bryan Lim, Stefan Zohren and Stephen Roberts
- Abstract要約: 学習からランクまでのアルゴリズムを組み込むことで、横断的なポートフォリオを強化するフレームワークを提案する。
最新の機械学習ランキングアルゴリズムを用いることで、断面戦略の取引性能が大幅に向上することを示す。
- 参考スコア(独自算出の注目度): 6.759148939470331
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The success of a cross-sectional systematic strategy depends critically on
accurately ranking assets prior to portfolio construction. Contemporary
techniques perform this ranking step either with simple heuristics or by
sorting outputs from standard regression or classification models, which have
been demonstrated to be sub-optimal for ranking in other domains (e.g.
information retrieval). To address this deficiency, we propose a framework to
enhance cross-sectional portfolios by incorporating learning-to-rank
algorithms, which lead to improvements of ranking accuracy by learning pairwise
and listwise structures across instruments. Using cross-sectional momentum as a
demonstrative case study, we show that the use of modern machine learning
ranking algorithms can substantially improve the trading performance of
cross-sectional strategies -- providing approximately threefold boosting of
Sharpe Ratios compared to traditional approaches.
- Abstract(参考訳): 横断的体系戦略の成功は、ポートフォリオ構築前の正確な資産のランク付けに大きく依存する。
現代の手法では、単純なヒューリスティックで、または標準回帰や分類モデルから出力をソートすることで、このランキングステップを実行する。
情報検索)。
この欠陥に対処するために,学習からランクまでのアルゴリズムを取り入れたクロスセクションポートフォリオを強化する枠組みを提案し,楽器間のペアワイド・リストワイド構造を学習することでランキング精度の向上を図った。
横断的モーメントを実証的なケーススタディとして用いて、現代の機械学習ランキングアルゴリズムを使用することで、横断的戦略のトレーディング性能が大幅に向上し、シャープ比が従来のアプローチに比べて約3倍向上することを示します。
関連論文リスト
- Enhancing binary classification: A new stacking method via leveraging computational geometry [5.906199156511947]
本稿では,計算幾何学的手法,特に最大重み付き矩形問題の解法を統合した新しいメタモデルを提案する。
本手法は複数のオープンデータセットを用いて評価し,その安定性と精度の向上を示す統計解析を行った。
本手法は, アンサンブル学習の積み重ねだけでなく, 病院の健康評価評価や銀行信用評価システムなど, 様々な実世界の応用にも応用できる。
論文 参考訳(メタデータ) (2024-10-30T06:11:08Z) - Self-supervised Learning of Dense Hierarchical Representations for Medical Image Segmentation [2.2265038612930663]
本稿では,高密度下流タスクに適したボクセルワイド粗い表現を学習するための自己教師型フレームワークについて述べる。
我々は、複数のスケールから機能のコントリビューションのバランスをとるためのトレーニング戦略を考案し、学習された表現が粗い詳細ときめ細かい詳細の両方を捉えることを保証する。
論文 参考訳(メタデータ) (2024-01-12T09:47:17Z) - Simple Hierarchical Planning with Diffusion [54.48129192534653]
拡散に基づく生成法は、オフラインデータセットによる軌跡のモデリングに有効であることが証明されている。
階層型および拡散型プランニングの利点を組み合わせた高速かつ驚くほど効果的な計画手法である階層型ディフューザを導入する。
我々のモデルは、より高いレベルで「ジャンピー」な計画戦略を採用しており、より大きな受容場を持つことができるが、計算コストは低い。
論文 参考訳(メタデータ) (2024-01-05T05:28:40Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳(メタデータ) (2022-06-16T11:44:11Z) - Incremental Learning with Differentiable Architecture and Forgetting
Search [3.6868861317674524]
本研究では,NASを漸進学習に活用することで,分類タスクの性能向上が期待できることを示す。
本手法はRF信号と画像分類タスクの両方で評価し,最先端手法よりも最大10%の性能向上を達成できることを実証した。
論文 参考訳(メタデータ) (2022-05-19T21:47:26Z) - Dual Path Structural Contrastive Embeddings for Learning Novel Objects [6.979491536753043]
近年の研究では、優れた特徴空間の情報を取得することが、少数のタスクにおいて良好なパフォーマンスを達成するための効果的な解決法であることが示されている。
特徴表現と分類器を学習するタスクを分離する,単純だが効果的なパラダイムを提案する。
提案手法は, インダクティブ推論とトランスダクティブ推論のいずれにおいても, 標準および一般化された少数ショット問題に対して有望な結果が得られる。
論文 参考訳(メタデータ) (2021-12-23T04:43:31Z) - Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。
学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。
提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文 参考訳(メタデータ) (2021-11-11T23:31:34Z) - RANK-NOSH: Efficient Predictor-Based Architecture Search via Non-Uniform
Successive Halving [74.61723678821049]
予算の浪費を回避するため,早期に性能の低いアーキテクチャのトレーニングを終了する階層的スケジューリングアルゴリズムであるNOn-uniform Successive Halving (NOSH)を提案する。
予測器に基づくアーキテクチャ探索をペア比較でランク付けする学習として定式化する。
その結果、RANK-NOSHは検索予算を5倍に削減し、様々な空間やデータセットにおける従来の最先端予測手法よりも、競争力やパフォーマンスの向上を実現した。
論文 参考訳(メタデータ) (2021-08-18T07:45:21Z) - Enhancing Cross-Sectional Currency Strategies by Ranking Refinement with
Transformer-based Architectures [6.759148939470331]
我々は、元のランクリストを精算するモデルを学ぶ。
再ランク付けされたフレームワークでは、極端な資産の特徴をエンコードするためにTransformerアーキテクチャを適用します。
提案手法は,31通貨をバックテストし,シャープ比を大幅に向上させる。
論文 参考訳(メタデータ) (2021-05-20T20:30:41Z) - Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。
我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。
我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
論文 参考訳(メタデータ) (2020-10-01T15:59:31Z) - Unsupervised Deep Cross-modality Spectral Hashing [65.3842441716661]
このフレームワークは、最適化をバイナリ最適化とハッシュ関数学習に分離する2段階のハッシュアプローチである。
本稿では,単一モダリティと二項相互モダリティを同時に学習するスペクトル埋め込みに基づく新しいアルゴリズムを提案する。
我々は、画像に強力なCNNを活用し、テキストモダリティを学ぶためのCNNベースのディープアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-08-01T09:20:11Z)
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。