論文の概要: Interpretable ML-driven Strategy for Automated Trading Pattern Extraction

• arxiv url: http://arxiv.org/abs/2103.12419v1
• Date: Tue, 23 Mar 2021 09:55:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 14:03:41.118902
• Title: Interpretable ML-driven Strategy for Automated Trading Pattern Extraction
• Title（参考訳）: 自動取引パターン抽出のための解釈可能なML駆動戦略
• Authors: Artur Sokolovsky, Luca Arnaboldi, Jaume Bacardit, Thomas Gross
• Abstract要約: 金融時系列分析のためのボリュームベースデータ前処理手法を提案する。 手法の性能を評価するために統計的手法を用いる。 提案手法により,金融時系列パターンの分類を成功させることができた。
• 参考スコア（独自算出の注目度）: 2.7910505923792646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial markets are a source of non-stationary multidimensional time series which has been drawing attention for decades. Each financial instrument has its specific changing over time properties, making their analysis a complex task. Improvement of understanding and development of methods for financial time series analysis is essential for successful operation on financial markets. In this study we propose a volume-based data pre-processing method for making financial time series more suitable for machine learning pipelines. We use a statistical approach for assessing the performance of the method. Namely, we formally state the hypotheses, set up associated classification tasks, compute effect sizes with confidence intervals, and run statistical tests to validate the hypotheses. We additionally assess the trading performance of the proposed method on historical data and compare it to a previously published approach. Our analysis shows that the proposed volume-based method allows successful classification of the financial time series patterns, and also leads to better classification performance than a price action-based method, excelling specifically on more liquid financial instruments. Finally, we propose an approach for obtaining feature interactions directly from tree-based models on example of CatBoost estimator, as well as formally assess the relatedness of the proposed approach and SHAP feature interactions with a positive outcome.
• Abstract（参考訳）: 金融市場は非定常多次元時系列の源であり、数十年間注目されてきた。 それぞれの金融機器は、時間的特性に応じて変化し、分析が複雑なタスクとなる。 金融時系列分析手法の理解と開発の改善は、金融市場における運用成功に不可欠である。 本研究では,金融時系列を機械学習パイプラインに適したものにするためのボリュームベースデータ前処理手法を提案する。 本手法の性能評価には統計的手法を用いる。 すなわち、仮説を正式に表明し、関連する分類タスクをセットアップし、信頼区間で効果サイズを計算し、仮説を検証する統計的テストを実行する。 また,提案手法のトレーディング性能を過去のデータから評価し,以前に公表した手法と比較する。 提案手法は,金融時系列パターンの分類を成功させるとともに,より流動的な金融商品に特有な価格行動に基づく手法よりも優れた分類性能をもたらすことを示す。 最後に,CatBoost推定器の例を例に,木質モデルから直接特徴的相互作用を求める手法を提案するとともに,提案手法とSHAP特徴的相互作用と肯定的な結果との相関性を正式に評価する。

関連論文リスト

• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• Reinforcement Learning for Financial Index Tracking [2.048226951354646]
  本稿では、回帰ベースのトラッキングエラーと値ベースのトラッキングエラーの両方の下で、金融指標追跡問題の最初の離散時間無限水平動的定式化を提案する。 提案手法は, 追跡精度でベンチマーク手法を上回り, キャッシュ引き出し戦略により余剰利益を得る可能性がある。
  論文  参考訳（メタデータ） (2023-08-05T08:34:52Z)
• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• A Hybrid Learning Approach to Detecting Regime Switches in Financial Markets [0.0]
  本稿では,米国金融市場におけるレギュラースイッチ検出のための新しい枠組みを提案する。 クラスタ分析と分類の組み合わせを用いて、公開可能な経済データに基づいて金融市場の体制を同定する。 検出された体制に基づいて2つの取引戦略を構築・評価することで,枠組みの有効性を示す。
  論文  参考訳（メタデータ） (2021-08-05T01:15:19Z)
• How to Identify Investor's types in real financial markets by means of agent based simulation [0.0]
  本論文では,主成分分析の基礎となる原理をエージェントベースシミュレーションで計算する手法を提案する。 提案手法は、ターゲット金融時系列を近似または説明することができる投資家のモデルの減少セットを見つけることである。
  論文  参考訳（メタデータ） (2020-12-31T16:22:30Z)
• 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)
• Evaluating data augmentation for financial time series classification [85.38479579398525]
  2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。 比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。 より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
  論文  参考訳（メタデータ） (2020-10-28T17:53:57Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。