論文の概要: Is it a great Autonomous FX Trading Strategy or you are just fooling yourself

• arxiv url: http://arxiv.org/abs/2101.07217v1
• Date: Fri, 15 Jan 2021 13:25:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 17:54:12.489814
• Title: Is it a great Autonomous FX Trading Strategy or you are just fooling yourself
• Title（参考訳）: 偉大な自律FXトレーディング戦略なのか、それとも自分自身をだますのか?
• Authors: Murilo Sibrao Bernardini and Paulo Andre Lima de Castro
• Abstract要約: 本稿では,様々な金融資産におけるいくつかの有名な自律戦略において,その手法を適用した結果について述べる。 提案手法は, 潜在的なロボットの中から選択し, 最小限の期間とテスト実行要件を確立するために使用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: There are many practitioners that create software to buy and sell financial assets in an autonomous way. There are some digital platforms that allow the development, test and deployment of trading agents (or robots) in simulated or real markets. Some of these work focus on very short horizons of investment, while others deal with longer periods. The spectrum of used AI techniques in finance field is wide. There are many cases, where the developers are successful in creating robots with great performance in historical price series (so called backtesting). Furthermore, some platforms make available thousands of robots that [allegedly] are able to be profitable in real markets. These strategies may be created with some simple idea or using complex machine learning schemes. Nevertheless, when they are used in real markets or with data not used in their training or evaluation frequently they present very poor performance. In this paper, we propose a method for testing Foreign Exchange (FX) trading strategies that can provide realistic expectations about strategy's performance. This method addresses many pitfalls that can fool even experience practitioners and researchers. We present the results of applying such method in several famous autonomous strategies in many different financial assets. Analyzing these results, we can realize that it is very hard to build a reliable strategy and many published strategies are far from being reliable vehicles of investment. These facts can be maliciously used by those who try to sell such robots, by advertising such great (and non repetitive) results, while hiding the bad but meaningful results. The proposed method can be used to select among potential robots, establishes minimal periods and requirements for the test executions. In this way, the method helps to tell if you really have a great trading strategy or you are just fooling yourself.
• Abstract（参考訳）: 金融資産を自律的に売買するソフトウェアを開発する実践者がたくさんいます。 シミュレーションや現実の市場で取引業者(またはロボット)の開発、テスト、展開を可能にするデジタルプラットフォームがいくつか存在する。 これらの作業のいくつかは、非常に短い期間の投資に重点を置いている。 金融分野で使われるAI技術の範囲は広い。 開発者が歴史的価格シリーズ(いわゆるバックテスト)で優れたパフォーマンスのロボットを開発することに成功しているケースは多い。 さらに、一部のプラットフォームでは、現実の市場で利益を上げることができる何千ものロボットが利用可能になっている。 これらの戦略は、単純なアイデアや複雑な機械学習スキームで作成することができる。 それでも、実際の市場で使われる場合や、トレーニングや評価に使用されていないデータが頻繁に使用される場合、パフォーマンスは非常に低い。 本稿では,外国為替取引戦略(fx)の戦略評価手法を提案する。 この方法は、実践者や研究者を騙すことができる多くの落とし穴に対処する。 本稿では,多くの金融資産において,このような手法をいくつかの有名な自律戦略に適用した結果について述べる。 これらの結果を分析すると、信頼できる戦略を構築することは極めて困難であり、多くの公開戦略が信頼できる投資手段とは程遠いことに気づく。 これらの事実は、そのような素晴らしい(かつ繰り返しない)結果を宣伝し、悪いが意味のある結果を隠して、そのようなロボットを売ろうとする人々によって悪用される。 提案手法は, 潜在的なロボットの中から選択し, 最小限の期間とテスト実行要件を確立するために使用できる。 このようにして、この手法は、本当に素晴らしい取引戦略を持っているか、単に自分を騙しているだけかを判断するのに役立ちます。

関連論文リスト

• 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)
• Beyond Trend Following: Deep Learning for Market Trend Prediction [49.89480853499917]
  我々は、将来の市場動向を予測するために人工知能と機械学習技術を使うことを提唱する。 これらの予測は、適切に実行されれば、リターンを増やし、損失を減らすことで資産運用者のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-06-10T11:42:30Z)
• Profitable Strategy Design by Using Deep Reinforcement Learning for Trades on Cryptocurrency Markets [2.741266294612776]
  我々は,3つの暗号市場の戦略設計問題に対して,プロキシポリシー最適化,ソフトアクタ-C模倣,ジェネレーティブ・アドバシリティック・ラーニングを適用した。 未確認データに対するテスト結果は、投資家が市場を搾取し利益を得るためのエキスパートシステムを構築する上で、このアプローチの大きな可能性を示している。
  論文  参考訳（メタデータ） (2022-01-15T18:45:03Z)
• 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)
• Towards Realistic Market Simulations: a Generative Adversarial Networks Approach [2.381990157809543]
  本研究では,実データに基づいて学習したコンディショナル・ジェネレーティブ・アドバイザリアル・ネットワーク(CGAN)に基づくマーケットジェネレータを提案する。 CGANベースの"ワールド"エージェントは、実験エージェントに応答して意味のある順序を生成することができる。
  論文  参考訳（メタデータ） (2021-10-25T22:01:07Z)
• Application of Three Different Machine Learning Methods on Strategy Creation for Profitable Trades on Cryptocurrency Markets [0.0]
  3つの暗号市場の方向検出問題に対して、k-Nearest Neighbours、eXtreme Gradient Boosting、Random Forest分類器を適用する。 未確認のデータに関する当社のテスト結果は、専門家システムを持つ投資家が市場を搾取し、利益を得るのを助けるこのアプローチに大きな可能性を示しています。
  論文  参考訳（メタデータ） (2021-05-14T13:42:46Z)
• mt5b3: A Framework for Building AutonomousTraders [0.0]
  金融分野では、畳み込みニューラルネットワークや深層強化学習などの最近のアプローチを含む多くのAI技術がテストされています。 自律的トレーダのモデル化の基本的な側面と、金融の世界である複雑な環境について述べる。 mt5b3は、新しい自律トレーダーの開発にも貢献できると考えています。
  論文  参考訳（メタデータ） (2021-01-20T15:01:02Z)
• Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction [3.9189409002585562]
  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。
  論文  参考訳（メタデータ） (2020-12-18T13:19:27Z)
• Taking Over the Stock Market: Adversarial Perturbations Against Algorithmic Traders [47.32228513808444]
  本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。 入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
  論文  参考訳（メタデータ） (2020-10-19T06:28:05Z)
• Efficient exploration of zero-sum stochastic games [83.28949556413717]
  ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。 限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。 私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
  論文  参考訳（メタデータ） (2020-02-24T20:30:38Z)
• Adversarial Attacks on Machine Learning Systems for High-Frequency Trading [55.30403936506338]
  逆機械学習の観点から,アルゴリズム取引のバリュエーションモデルについて検討する。 攻撃コストを最小限に抑えるサイズ制約で、このドメインに特有の新たな攻撃を導入する。 本稿では、金融モデルのロバスト性について研究・評価するための分析ツールとして、これらの攻撃がどのように利用できるかについて論じる。
  論文  参考訳（メタデータ） (2020-02-21T22:04:35Z)

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。