論文の概要: Extreme Volatility Prediction in Stock Market: When GameStop meets Long
Short-Term Memory Networks
- arxiv url: http://arxiv.org/abs/2103.01121v1
- Date: Mon, 1 Mar 2021 16:44:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:16:21.495759
- Title: Extreme Volatility Prediction in Stock Market: When GameStop meets Long
Short-Term Memory Networks
- Title（参考訳）: 株式市場における極端なボラティリティ予測:GameStopが長期記憶ネットワークと出会うとき
- Authors: Yigit Alparslan and Edward Kim
- Abstract要約: 2021年初め、GameStopの会社株(NYSEのTicker GME)など一部の株式のボラティリティが急上昇した。
GameStopの株価は10年平均の485ドルから約10倍に上昇した。
本論文では, 合併崩壊の予測と取引により, 過激なボラティリティの存在下では買取戦略を上回り得ると仮定する。
- 参考スコア（独自算出の注目度）: 7.23389716633927
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The beginning of 2021 saw a surge in volatility for certain stocks such as
GameStop company stock (Ticker GME under NYSE). GameStop stock increased around
10 fold from its decade-long average to its peak at \$485. In this paper, we
hypothesize a buy-and-hold strategy can be outperformed in the presence of
extreme volatility by predicting and trading consolidation breakouts. We
investigate GME stock for its volatility and compare it to SPY as a benchmark
(since it is a less volatile ETF fund) from February 2002 to February 2021. For
strategy 1, we develop a Long Short-term Memory (LSTM) Neural Network to
predict stock prices recurrently with a very short look ahead period in the
presence of extreme volatility. For our strategy 2, we develop an LSTM
autoencoder network specifically designed to trade only on consolidation
breakouts after predicting anomalies in the stock price. When back-tested in
our simulations, our strategy 1 executes 863 trades for SPY and 452 trades for
GME. Our strategy 2 executes 931 trades for SPY and 325 trades for GME. We
compare both strategies to buying and holding one single share for the period
that we picked as a benchmark. In our simulations, SPY returns \$281.160 from
buying and holding one single share, \$110.29 from strategy 1 with 53.5%
success rate and \$4.34 from strategy 2 with 57.6% success rate. GME returns
\$45.63 from buying and holding one single share, \$69.046 from strategy 1 with
47.12% success rate and \$2.10 from strategy 2 with 48% success rate. Overall,
buying and holding outperforms all deep-learning assisted prediction models in
our study except for when the LSTM-based prediction model (strategy 1) is
applied to GME. We hope that our study sheds more light into the field of
extreme volatility predictions based on LSTMs to outperform buying and holding
strategy.
- Abstract（参考訳）: 2021年の初めには、GameStop社株(NYSEのTicker GME)などの特定の株式のボラティリティが急増した。
GameStopの株価は10年平均から485円のピークまで約10倍に上昇した。
本論文では, 合併崩壊の予測と取引により, 過激なボラティリティの存在下では買取戦略を上回り得ると仮定する。
2002年2月から2021年2月まで、GME株のボラティリティを調査し、SPYをベンチマーク(低変動ETFファンドであるため)として比較しています。
戦略1では,長期短期記憶(LSTM)ニューラルネットワークを開発し,極端なボラティリティの存在下での極めて短い期間で,株価のリカレントな予測を行う。
当社の戦略2では,株価の異常を予測した後,統合的ブレークアウトのみに特化して設計したLSTMオートエンコーダネットワークを開発した。
私たちのシミュレーションでバックテストされると、私たちの戦略1は、SPYの853取引とGMEの452取引を実行します。
我々の戦略2は スパイと325のgmeの取引で 931の取引を実行します
ベンチマークとして選択した期間に1株の購入と保有の両方の戦略を比較します。
私たちのシミュレーションでは、SPYは1株の売買から281.160円、戦略1から110.29円、53.5%の成功率、戦略2から4.34円、57.6%の成功率を返します。
GMEは1株の売買から45.63円、戦略1から69.046円、成功率47.12%、成功率48%の戦略2から2.10円を返します。
総じて,lstmに基づく予測モデル(strategy 1)がgmeに適用された場合を除き,学習支援型予測モデルでは,購入と保持が優れる。
この研究が、LSTMに基づく極端なボラティリティ予測の分野にさらに光を当て、売買戦略を上回ることを願っています。
関連論文リスト
- Agent Performing Autonomous Stock Trading under Good and Bad Situations [0.0]
株式取引環境をシミュレートするパイプラインを開発した。
我々は、深層強化学習手法で株取引プロセスを自動化するエージェントを訓練した。
比較的良い(2021年まで)と悪い(2021年から2022年まで)の状況で、当社のプラットフォームを評価します。
論文 参考訳（メタデータ） (2023-06-06T19:44:37Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - FinBERT-LSTM: Deep Learning based stock price prediction using News
Sentiment Analysis [0.0]
市場における短期的な動きを予測することで、投資家は投資に対するリターンを大きく得ることができる。
私たちはDeep Learning Networkを使って株価を予測し、財務、ビジネス、テクノロジーのニュース記事を同化しています。
論文 参考訳（メタデータ） (2022-11-11T15:13:16Z) - Exploration of Algorithmic Trading Strategies for the Bitcoin Market [1.933681537640272]
この取り組みは、Bitcoin市場にアルゴリズムによるトレーディングのアプローチをもたらし、その価格の変動を日々利用している。
我々は,2021年第1四半期を通じて収集された全く見えないデータに基づいて,実世界のトレーディング戦略を用いてモデルを実証的に評価した。
モデルの平均利益は86%で、従来の買い取り戦略と一致した。
論文 参考訳（メタデータ） (2021-10-28T08:13:34Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z) - Should You Take Investment Advice From WallStreetBets? A Data-Driven
Approach [37.86739837901986]
Reddit の WallStreetBets (WSB) コミュニティは,現在 Meme ストックと呼ばれているものの株価に影響を及ぼすという,その顕著な役割から,注目を浴びている。
本稿は、2019年1月から2021年4月までのWSBデータを分析し、コミュニティのレコメンデーションに依存する投資戦略がいかに成功していたかを評価する。
論文 参考訳（メタデータ） (2021-05-06T14:47:03Z) - 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) - Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction
with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。
表現学習によって、私たちはStock2Vecという埋め込みを導きました。
我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-09-29T22:54:30Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z) - A new approach for trading based on Long Short Term Memory technique [0.0]
我々は,翌日の閉会価格を予測するために,2時間周波数(年次および日次パラメータ)を含むLong Term Memory(LSTM)モデルを構築した。
オープン・ハイ・ロー・クローズな指標やその他の金融比率に基づいて、このアプローチは株式市場の予測を改善することができることを証明している。
論文 参考訳（メタデータ） (2020-01-10T07:56:30Z)
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。