論文の概要: Deep Learning for Market by Order Data

• arxiv url: http://arxiv.org/abs/2102.08811v1
• Date: Wed, 17 Feb 2021 15:16:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 14:34:20.492550
• Title: Deep Learning for Market by Order Data
• Title（参考訳）: 注文データによる市場深層学習
• Authors: Zihao Zhang, Bryan Lim and Stefan Zohren
• Abstract要約: 注文による市場(MBO)データは、取引所で与えられた株式の個々の取引指示の詳細なフィードです。 MBOデータは、主にリミットオーダーブック(LOB)に焦点を当てた現在の学術文献によって無視されます。 データ構造を慎重に紹介し、特定の正規化スキームを提示することにより、MBOデータに関する最初の予測分析を提供します。 MBO駆動モデルとLOB駆動モデルはそれぞれ同様の性能を提供するが、両者のアンサンブルは予測精度の向上につながる可能性がある。
• 参考スコア（独自算出の注目度）: 7.274325784456261
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Market by order (MBO) data - a detailed feed of individual trade instructions for a given stock on an exchange - is arguably one of the most granular sources of microstructure information. While limit order books (LOBs) are implicitly derived from it, MBO data is largely neglected by current academic literature which focuses primarily on LOB modelling. In this paper, we demonstrate the utility of MBO data for forecasting high-frequency price movements, providing an orthogonal source of information to LOB snapshots. We provide the first predictive analysis on MBO data by carefully introducing the data structure and presenting a specific normalisation scheme to consider level information in order books and to allow model training with multiple instruments. Through forecasting experiments using deep neural networks, we show that while MBO-driven and LOB-driven models individually provide similar performance, ensembles of the two can lead to improvements in forecasting accuracy -- indicating that MBO data is additive to LOB-based features.
• Abstract（参考訳）: マーケット・バイ・オーダー(MBO)データ - ある取引所の株式の個々の取引指示の詳細フィード - は、おそらく最も粒度の細かいミクロ構造情報ソースの1つである。 リミットオーダーブック(LOB)は暗黙的にそれに由来するが、MBOデータは主にLOBモデリングに焦点を当てた現在の学術文献によって無視される。 本稿では,LOBスナップショットに直交する情報源を提供し,高周波価格変動予測のためのMBOデータの有用性を実証する。 本稿では,MBOデータに対する第1次予測分析について,データ構造を慎重に導入し,オーダーブックのレベル情報を考慮した特定正規化スキームを提示し,複数の機器によるモデルトレーニングを可能にする。 深層ニューラルネットワークを用いた予測実験により、MBO駆動モデルとLOB駆動モデルがそれぞれ同様の性能を提供する一方で、両者のアンサンブルは予測精度の改善につながることが示される。

関連論文リスト

• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
  拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。 本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。 提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-18T16:20:12Z)
• How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
  ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。 モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。 本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-04T13:55:06Z)
• MC-DBN: A Deep Belief Network-Based Model for Modality Completion [3.7020486533725605]
  我々は、MC-DBN(Modality Completion Deep Belief Network Based Model)を提案する。 このアプローチは、完全なデータの暗黙的な特徴を利用して、それ自体と追加の不完全なデータの間のギャップを補う。 拡張されたマルチモーダルデータは、実世界のダイナミックな性質と密接に一致し、モデルの有効性を高める。
  論文  参考訳（メタデータ） (2024-02-15T08:21:50Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• DSLOB: A Synthetic Limit Order Book Dataset for Benchmarking Forecasting Algorithms under Distributional Shift [16.326002979578686]
  電子取引市場において、リミットオーダーブック(LOB)は、所定のセキュリティのための様々な価格レベルで、保留中の購入/販売注文に関する情報を提供する。 近年、下流機械学習タスクの解決にLOBデータを使うことへの関心が高まっている。
  論文  参考訳（メタデータ） (2022-11-17T06:33:27Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Calibrating Agent-based Models to Microdata with Graph Neural Networks [1.4911092205861822]
  エージェントベースモデル(ABM)をデータにキャリブレーションすることは、モデルがその目的を確実に満たすための最も基本的な要件である。 本稿では、時間グラフニューラルネットワークを用いて、粒状マイクロデータに付随するパラメータ後部を学習する。
  論文  参考訳（メタデータ） (2022-06-15T14:41:43Z)
• The Limit Order Book Recreation Model (LOBRM): An Extended Analysis [2.0305676256390934]
  マイクロ構造秩序書(LOB)は、金融資産の細かな先進需要と供給関係を描いている。 LOBRMは最近、貿易と引用(TAQ)データからLOBを合成することで、このギャップを埋めることを提案した。 我々はLOBRMの研究を拡張し、実世界のアプリケーションシナリオでの利用をさらに検証する。
  論文  参考訳（メタデータ） (2021-07-01T15:25:21Z)
• The LOB Recreation Model: Predicting the Limit Order Book from TAQ History Using an Ordinary Differential Equation Recurrent Neural Network [9.686252465354274]
  LOBレクリエーションモデルは,小額株の公開制限注文書(LOB)のトップ5価格レベルを再現するための,ディープラーニングの観点からの最初の試みである。 トランスファーラーニングのパラダイムにより、同じクラスの他の金融資産に適用できるように、ある株式で訓練されたソースモデルを微調整することができる。
  論文  参考訳（メタデータ） (2021-03-02T12:07:43Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)

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。