論文の概要: A Comparative Evaluation of Predominant Deep Learning Quantified Stock Trading Strategies

• arxiv url: http://arxiv.org/abs/2103.15304v1
• Date: Mon, 29 Mar 2021 03:21:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:36:25.164326
• Title: A Comparative Evaluation of Predominant Deep Learning Quantified Stock Trading Strategies
• Title（参考訳）: 深層学習の定量化による株式取引戦略の比較評価
• Authors: Haohan Zhang
• Abstract要約: 本研究では,3つの深層学習型株式取引モデルとその関連戦略を,この問題に対する明確なアプローチの代表としてまず再構築する。 そして、これらの戦略のパフォーマンスを異なる視点で比較するために、3つのシナリオで実行された取引シミュレーションによって、ベンチマークを長期にわたって歴史的な低点に保持する。 その結果、極めて悪質な市場では、ディープラーニングアルゴリズムによって管理される投資ポートフォリオは、常に負のcsi 300ベンチマークを上向きにシフトさせる戻りシーケンスを生成することによって、累積損失を回避できることがわかった。
• 参考スコア（独自算出の注目度）: 0.38073142980733
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study first reconstructs three deep learning powered stock trading models and their associated strategies that are representative of distinct approaches to the problem and established upon different aspects of the many theories evolved around deep learning. It then seeks to compare the performance of these strategies from different perspectives through trading simulations ran on three scenarios when the benchmarks are kept at historical low points for extended periods of time. The results show that in extremely adverse market climates, investment portfolios managed by deep learning powered algorithms are able to avert accumulated losses by generating return sequences that shift the constantly negative CSI 300 benchmark return upward. Among the three, the LSTM model's strategy yields the best performance when the benchmark sustains continued loss.
• Abstract（参考訳）: 本研究は,まず3つの深層学習型株式取引モデルとその関連する戦略を再構築し,深層学習を中心に進化した多くの理論の異なる側面に基づいて構築した。 そして、これらの戦略のパフォーマンスを異なる視点で比較するために、3つのシナリオで実行された取引シミュレーションによって、ベンチマークを長期にわたって歴史的な低点に保持する。 その結果、極めて悪質な市場では、ディープラーニングアルゴリズムによって管理される投資ポートフォリオは、常に負のcsi 300ベンチマークを上向きにシフトさせる戻りシーケンスを生成することによって、累積損失を回避できることがわかった。 3つのうち、LSTMモデルの戦略は、ベンチマークが損失を継続し続けるときに最高のパフォーマンスを得る。

関連論文リスト

• Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market [0.0]
  本研究は,グラフクラスタリングアルゴリズムに基づく統計仲裁の新しい枠組みに基づく効果的な戦略の開発を目指す。 この研究は、最適な信号検出とリスク管理のための統合的なアプローチを提供することを目指している。
  論文  参考訳（メタデータ） (2024-06-15T17:25:32Z)
• A Comparative Analysis of Portfolio Optimization Using Mean-Variance, Hierarchical Risk Parity, and Reinforcement Learning Approaches on the Indian Stock Market [0.0]
  本稿では,3つのポートフォリオ最適化手法の性能の比較分析を行う。 ポートフォリオは、いくつかの株価データに基づいてトレーニングされ、テストされ、そのパフォーマンスは、年次リターン、年次リスク、シャープ比率で比較される。
  論文  参考訳（メタデータ） (2023-05-27T16:38:18Z)
• Accelerating Self-Supervised Learning via Efficient Training Strategies [98.26556609110992]
  自己監督型ディープネットワークのトレーニング時間は、教師付きディープネットワークよりも桁違いに大きい。 これらの課題に乗じて,近年の自己指導手法の訓練時間を短縮する方法について検討する。
  論文  参考訳（メタデータ） (2022-12-11T21:49:39Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Machine learning method for return direction forecasting of Exchange Traded Funds using classification and regression models [0.0]
  本稿では、ETF(Exchange Traded Funds)からのリターンの方向分析のための機械学習手法の提案と適用を目的とする。 ブラジルとアメリカの市場の標準データセットを使用して、回帰モデルと分類モデルを適用した。 リスクとリターンの面では、主にコントロールメトリクスよりもパフォーマンスが優れています。
  論文  参考訳（メタデータ） (2022-05-25T12:54:46Z)
• Deep Learning Statistical Arbitrage [0.0]
  本稿では,統計的仲裁のための統一的な概念枠組みを提案し,新しいディープラーニングソリューションを開発した。 我々は、条件付き遅延資産価格要素から残余ポートフォリオとして類似資産の仲裁ポートフォリオを構築する。 我々は、これらの残余ポートフォリオの時系列信号を、最も強力な機械学習時系列ソリューションの1つを用いて抽出する。
  論文  参考訳（メタデータ） (2021-06-08T00:48:25Z)
• 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)
• On the Loss Landscape of Adversarial Training: Identifying Challenges and How to Overcome Them [57.957466608543676]
  機械学習モデルの損失景観に及ぼす対人訓練の影響を解析する。 曲率の増加と散乱勾配の増大により, 対向損失景観は最適化にはあまり好ましくないことを示す。
  論文  参考訳（メタデータ） (2020-06-15T13:50:23Z)
• 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)
• An Application of Deep Reinforcement Learning to Algorithmic Trading [4.523089386111081]
  本稿では, 深部強化学習(DRL)に基づくアルゴリズム取引問題の解法を提案する。 幅広い株式市場でシャープ比のパフォーマンス指標を最大化するために、新しいDRLトレーディング戦略を提案する。 得られた強化学習 (RL) エージェントのトレーニングは, 限られた市場履歴データから人工軌道を生成することに基づいている。
  論文  参考訳（メタデータ） (2020-04-07T14:57:23Z)

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。