論文の概要: Predicting the Behavior of Dealers in Over-The-Counter Corporate Bond
Markets
- arxiv url: http://arxiv.org/abs/2103.09098v1
- Date: Fri, 12 Mar 2021 04:22:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-19 03:28:25.146203
- Title: Predicting the Behavior of Dealers in Over-The-Counter Corporate Bond
Markets
- Title(参考訳): オーバー・ザ・カウンタ社債市場におけるディーラーの行動予測
- Authors: Yusen Lin, Jinming Xue, Louiqa Raschid
- Abstract要約: 我々は、米国社債のotcディーラーの取引行動のモデル化と予測に機械学習手法を適用する。
私たちは、米国の社債の語彙で各ディーラーの毎日の歴史的な取引レポートのシーケンスを作成します。
私達は個々の歴史が最も活動的なディーラーに最もよい予測モデルを提供することを示します。
- 参考スコア(独自算出の注目度): 6.003006906852133
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trading in Over-The-Counter (OTC) markets is facilitated by broker-dealers,
in comparison to public exchanges, e.g., the New York Stock Exchange (NYSE).
Dealers play an important role in stabilizing prices and providing liquidity in
OTC markets. We apply machine learning methods to model and predict the trading
behavior of OTC dealers for US corporate bonds. We create sequences of daily
historical transaction reports for each dealer over a vocabulary of US
corporate bonds. Using this history of dealer activity, we predict the future
trading decisions of the dealer. We consider a range of neural network-based
prediction models. We propose an extension, the Pointwise-Product ReZero (PPRZ)
Transformer model, and demonstrate the improved performance of our model. We
show that individual history provides the best predictive model for the most
active dealers. For less active dealers, a collective model provides improved
performance. Further, clustering dealers based on their similarity can improve
performance. Finally, prediction accuracy varies based on the activity level of
both the bond and the dealer.
- Abstract(参考訳): オーバー・ザ・カウンタ(Over-The-Counter、OTC)市場での取引はブローカーディーラーによって促進され、ニューヨーク証券取引所(NYSE)のような公開取引所と比較される。
ディーラーは、otc市場で価格の安定化と流動性の提供に重要な役割を果たしている。
我々は、米国社債のotcディーラーの取引行動のモデル化と予測に機械学習手法を適用する。
我々は、米国の社債の語彙を巡って、ディーラーごとに毎日の歴史的取引報告のシーケンスを作成します。
このディーラー活動の歴史を利用して、ディーラーの将来的な取引決定を予測する。
ニューラルネットワークに基づく予測モデルについて検討する。
本稿では,PPRZ(Pointwise-Product ReZero) Transformerモデルの拡張を提案する。
個々の履歴が最もアクティブなディーラーにとって最良の予測モデルであることを示します。
アクティブなディーラーが少ない場合、集団モデルによってパフォーマンスが向上する。
さらに、類似性に基づくクラスタリングディーラーの性能を向上させることができる。
最後に、予測精度は、結合とディーラーの両方の活性レベルによって変化する。
関連論文リスト
- A Bargaining-based Approach for Feature Trading in Vertical Federated
Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。
当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文 参考訳(メタデータ) (2024-02-23T10:21:07Z) - An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。
FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。
本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
論文 参考訳(メタデータ) (2024-02-02T07:25:53Z) - NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative
Trading [0.0]
NoxTraderはポートフォリオの構築と取引実行のために設計された洗練されたシステムである。
NoxTraderの基本的な学習プロセスは、歴史的取引データから得られた貴重な洞察の同化に根ざしている。
厳密な特徴工学と予測対象の選択により,0.65から0.75の範囲の顕著な相関範囲で予測データを生成することができる。
論文 参考訳(メタデータ) (2023-10-01T17:53:23Z) - 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) - 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) - Bi-LSTM Price Prediction based on Attention Mechanism [2.455751370157653]
我々は,金とビットコインという2つの一般的な資産をベースとした,注目機構に基づく双方向LSTMニューラルネットワークを提案する。
予測結果から2年間で1089.34%のリターンを得た。
また,本論文で提案したBi-LSTMモデルと従来のモデルとの比較を行い,本モデルが本データセットで最高の性能を示すことを示す。
論文 参考訳(メタデータ) (2022-12-07T03:56:11Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳(メタデータ) (2021-06-22T18:29:58Z) - Constraint-Based Inference of Heuristics for Foreign Exchange Trade
Model Optimization [13.26093613374959]
我々は,高いレートの取引信号を持つ2つのデータセットを開発する。
3つの低マージン機器と6つのOHLC粒度の10年間のForex価格データの機械学習シミュレーションを行う。
その結果,各計器粒度対に最も最適な貿易パラメータの具体的かつ再現可能なリストを作成した。
論文 参考訳(メタデータ) (2021-05-11T00:36:02Z) - 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) - 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)
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。