論文の概要: AlphaEvolve: A Learning Framework to Discover Novel Alphas in Quantitative Investment

• arxiv url: http://arxiv.org/abs/2103.16196v2
• Date: Thu, 1 Apr 2021 10:35:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 10:49:33.978290
• Title: AlphaEvolve: A Learning Framework to Discover Novel Alphas in Quantitative Investment
• Title（参考訳）: AlphaEvolve: 定量的投資で新たなアルファを発見するための学習フレームワーク
• Authors: Can Cui, Wei Wang, Meihui Zhang, Gang Chen, Zhaojing Luo, Beng Chin Ooi
• Abstract要約: スカラー、ベクター、マトリックスの特徴をモデル化する新しいアルファクラスを紹介します。 新しいアルファは高い精度で戻りを予測し、弱い相関集合にマイニングすることができる。 我々は,新しいアルファを生成するために,AutoMLに基づく新しいアルファマイニングフレームワークであるAlphaEvolveを提案する。
• 参考スコア（独自算出の注目度）: 16.27557073668891
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alphas are stock prediction models capturing trading signals in a stock market. A set of effective alphas can generate weakly correlated high returns to diversify the risk. Existing alphas can be categorized into two classes: Formulaic alphas are simple algebraic expressions of scalar features, and thus can generalize well and be mined into a weakly correlated set. Machine learning alphas are data-driven models over vector and matrix features. They are more predictive than formulaic alphas, but are too complex to mine into a weakly correlated set. In this paper, we introduce a new class of alphas to model scalar, vector, and matrix features which possess the strengths of these two existing classes. The new alphas predict returns with high accuracy and can be mined into a weakly correlated set. In addition, we propose a novel alpha mining framework based on AutoML, called AlphaEvolve, to generate the new alphas. To this end, we first propose operators for generating the new alphas and selectively injecting relational domain knowledge to model the relations between stocks. We then accelerate the alpha mining by proposing a pruning technique for redundant alphas. Experiments show that AlphaEvolve can evolve initial alphas into the new alphas with high returns and weak correlations.
• Abstract（参考訳）: アルファは株式市場のトレーディングシグナルを捉えた株価予測モデルである。 有効なアルファのセットは、リスクを多様化するために弱い相関の高いリターンを生成することができる。 既存のアルファは2つのクラスに分類できる: 公式アルファはスカラーの特徴の単純な代数的表現であり、よく一般化され弱い相関集合にマイニングされる。 機械学習アルファは、ベクトルおよび行列機能に関するデータ駆動モデルである。 これらは公式アルファよりも予測的であるが、弱い相関集合にマイニングするには複雑すぎる。 本稿では,これら2つの既存クラスの強みを持つスカラー,ベクトル,行列の特徴をモデル化するための新しいアルファクラスを提案する。 新しいアルファは高い精度で戻りを予測し、弱い相関集合にマイニングすることができる。 さらに,新たなアルファを生成するために,automlに基づく新しいアルファマイニングフレームワークであるalphaevolveを提案する。 そこで我々はまず,新しいアルファを生成し,関係領域の知識を選択的に注入し,株間の関係をモデル化する演算子を提案する。 次に,冗長アルファの刈り込み手法を提案することにより,アルファマイニングを加速する。 実験の結果、alphaevolveは初期アルファを高いリターンと弱い相関を持つ新しいアルファへと進化させることが示されている。

関連論文リスト

• Improving AlphaFlow for Efficient Protein Ensembles Generation [64.10918970280603]
  効率的なタンパク質アンサンブル生成を実現するために,AlphaFlow-Litと呼ばれる特徴条件付き生成モデルを提案する。 AlphaFlow-LitはAlphaFlowとオンパーで動作し、予行訓練なしで蒸留されたバージョンを上回り、47倍のサンプリング加速を達成している。
  論文  参考訳（メタデータ） (2024-07-08T13:36:43Z)
• AlphaForge: A Framework to Mine and Dynamically Combine Formulaic Alpha Factors [14.80394452270726]
  本稿では,アルファ因子マイニングと因子組み合わせのための2段階のアルファ生成フレームワークAlphaForgeを提案する。 実世界のデータセットを用いて行った実験により,我々の提案したモデルは,定式的アルファファクターマイニングにおいて,同時代のベンチマークより優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-26T14:34:37Z)
• $\text{Alpha}^2$: Discovering Logical Formulaic Alphas using Deep Reinforcement Learning [28.491587815128575]
  深部強化学習(DRL)を用いたアルファ発見のための新しい枠組みを提案する。 DRLでガイドされた探索アルゴリズムは、潜在的なアルファ結果の値推定に基づいて探索空間をナビゲートする。 実世界の株式市場での実証実験は、さまざまな論理的かつ効果的なアルファを識別するtextAlpha2$の能力を実証している。
  論文  参考訳（メタデータ） (2024-06-24T10:21:29Z)
• Alpha-GPT: Human-AI Interactive Alpha Mining for Quantitative Investment [9.424699345940725]
  我々は,人間とAIの相互作用を導入し,新たなアルファマイニングパラダイムを提案する。 また,新たな対話型アルファマイニングシステムであるAlpha-GPTを開発した。
  論文  参考訳（メタデータ） (2023-07-31T16:40:06Z)
• Generating Synergistic Formulaic Alpha Collections via Reinforcement Learning [20.589583396095225]
  我々は、相乗的なアルファの集合のマイニングを優先する新しいアルファマイニングフレームワークを提案する。 我々のフレームワークは、これまでのアプローチよりも高いリターンを達成することができることを示す。
  論文  参考訳（メタデータ） (2023-05-25T13:41:07Z)
• Beating the Best: Improving on AlphaFold2 at Protein Structure Prediction [1.3124513975412255]
  ARStackはAlphaFold2とRosTTAFoldを大きく上回っている。 αFold2とRosTTAFoldの2種類の非ホモログタンパク質と、αFold2とRoseTTAFoldの2種類のタンパク質構造を用いて、これを厳密に実証した。
  論文  参考訳（メタデータ） (2023-01-18T14:39:34Z)
• I2D2: Inductive Knowledge Distillation with NeuroLogic and Self-Imitation [89.38161262164586]
  本稿では,ジェネリック生成の課題に着目し,コモンセンス知識の生成モデルについて検討する。 我々は,西欧の記号的知識蒸留を緩やかに追従する新しいコモンセンス蒸留フレームワークであるI2D2を紹介する。 我々の研究はジェネリックの新たなコーパス、Gen-A-tomicに繋がる。
  論文  参考訳（メタデータ） (2022-12-19T04:47:49Z)
• What learning algorithm is in-context learning? Investigations with linear models [87.91612418166464]
  本稿では,トランスフォーマーに基づくインコンテキスト学習者が標準学習アルゴリズムを暗黙的に実装する仮説について検討する。 訓練された文脈内学習者は、勾配降下、隆起回帰、および正確な最小二乗回帰によって計算された予測値と密に一致していることを示す。 文脈内学習者がこれらの予測器とアルゴリズム的特徴を共有するという予備的証拠。
  論文  参考訳（メタデータ） (2022-11-28T18:59:51Z)
• Bridging Maximum Likelihood and Adversarial Learning via $\alpha$-Divergence [78.26304241440113]
  本稿では,MLと逆学習の利点を統合するために$alpha$-Bridgeを提案する。 我々は、$alpha$-Bridgeの一般化が、最近開発された逆学習を正規化するためのアプローチと密接に関連していることを明らかにする。
  論文  参考訳（メタデータ） (2020-07-13T04:06:43Z)
• Reinforcement Learning with Augmented Data [97.42819506719191]
  本稿では,ほとんどのRLアルゴリズムを拡張可能なシンプルなプラグイン・アンド・プレイモジュールであるReinforcement Learning with Augmented Data (RAD)を提案する。 本稿では,RLアルゴリズムが複雑な最先端手法より優れていることを示すために,ランダム翻訳,作物,カラージッタ,パッチカットアウト,ランダム畳み込み,振幅スケールなどの拡張法を提案する。
  論文  参考訳（メタデータ） (2020-04-30T17:35:32Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。