論文の概要: Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction

• arxiv url: http://arxiv.org/abs/2012.10215v1
• Date: Fri, 18 Dec 2020 13:19:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:05:07.813493
• Title: Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction
• Title（参考訳）: trader-company method: 解釈可能な株価予測のためのメタヒューリスティック
• Authors: Katsuya Ito and Kentaro Minami and Kentaro Imajo and Kei Nakagawa
• Abstract要約: 金融市場では、機械学習ベースのモデルの実践的応用を妨げるいくつかの課題がある。 本稿では,金融機関とトレーダーの役割を模倣する新たな進化モデルであるTrader-Company法を提案する。 トレーダーと呼ばれる複数の弱い学習者からの提案を集約し、将来の株式リターンを予測します。
• 参考スコア（独自算出の注目度）: 3.9189409002585562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Investors try to predict returns of financial assets to make successful investment. Many quantitative analysts have used machine learning-based methods to find unknown profitable market rules from large amounts of market data. However, there are several challenges in financial markets hindering practical applications of machine learning-based models. First, in financial markets, there is no single model that can consistently make accurate prediction because traders in markets quickly adapt to newly available information. Instead, there are a number of ephemeral and partially correct models called "alpha factors". Second, since financial markets are highly uncertain, ensuring interpretability of prediction models is quite important to make reliable trading strategies. To overcome these challenges, we propose the Trader-Company method, a novel evolutionary model that mimics the roles of a financial institute and traders belonging to it. Our method predicts future stock returns by aggregating suggestions from multiple weak learners called Traders. A Trader holds a collection of simple mathematical formulae, each of which represents a candidate of an alpha factor and would be interpretable for real-world investors. The aggregation algorithm, called a Company, maintains multiple Traders. By randomly generating new Traders and retraining them, Companies can efficiently find financially meaningful formulae whilst avoiding overfitting to a transient state of the market. We show the effectiveness of our method by conducting experiments on real market data.
• Abstract（参考訳）: 投資家は投資を成功させるために金融資産のリターンを予測しようとする。 多くの量的アナリストは、大量の市場データから未知の利益率の市場ルールを見つけるために機械学習ベースの手法を使ってきた。 しかし、金融市場には機械学習ベースのモデルの実践的応用を妨げるいくつかの課題がある。 まず、金融市場では、市場のトレーダーが新たに利用可能な情報に迅速に適応するため、常に正確な予測ができるモデルが存在しない。 その代わり、「アルファ因子」と呼ばれる多くの短命かつ部分的に正しいモデルが存在する。 第二に、金融市場は極めて不確実であるため、信頼できる取引戦略を作るには予測モデルの解釈可能性を確保することが極めて重要である。 これらの課題を克服するために,金融機関とそれに属するトレーダーの役割を模倣する新たな進化モデルであるトレーダー・コーポニー法を提案する。 提案手法は,トレーダーと呼ばれる複数の弱い学習者からの示唆を集約することで,将来の株価リターンを予測する。 トレーダーは単純な数式の集合を持ち、それぞれアルファ因子の候補を表し、現実世界の投資家にとって解釈可能である。 集約アルゴリズムは企業と呼ばれ、複数のトレーダーを維持する。 新しいトレーダーをランダムに生成し、再訓練することで、企業は市場の過渡状態への過度な適合を避けつつ、経済的に有意義な公式を効率的に見つけることができる。 実市場データを用いて実験を行い,本手法の有効性を示す。

関連論文リスト

• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• 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)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Identifying Trades Using Technical Analysis and ML/DL Models [1.181206257787103]
  株式市場の価格予測の重要性は過大評価できない。 投資家は投資決定をインフォームドし、リスクを管理し、金融システムの安定性を確保することができる。 ディープラーニングは株価を正確に予測する上で有望だが、まだ多くの研究が続けられている。
  論文  参考訳（メタデータ） (2023-04-12T18:46:35Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• 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)
• Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
  本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。 模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
  論文  参考訳（メタデータ） (2021-12-08T14:55:21Z)
• Financial Markets Prediction with Deep Learning [11.26482563151052]
  金融市場の動きを予測する新しい1次元畳み込みニューラルネットワーク(CNN)モデルを提案する。 カスタマイズされた1次元畳み込み層は、時間を通じて金融取引データをスキャンし、価格やボリュームなどの異なる種類のデータ、共有パラメータ(カーネル)を互いに共有する。 我々のモデルは従来の技術指標の代わりに自動的に特徴を抽出する。
  論文  参考訳（メタデータ） (2021-04-05T19:36:48Z)
• 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)

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。