論文の概要: Application of Three Different Machine Learning Methods on Strategy Creation for Profitable Trades on Cryptocurrency Markets

• arxiv url: http://arxiv.org/abs/2105.06827v1
• Date: Fri, 14 May 2021 13:42:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-17 12:39:38.064028
• Title: Application of Three Different Machine Learning Methods on Strategy Creation for Profitable Trades on Cryptocurrency Markets
• Title（参考訳）: 暗号通貨市場における収益取引戦略作成における3つの異なる機械学習手法の適用
• Authors: Mohsen Asgari, Hossein Khasteh
• Abstract要約: 3つの暗号市場の方向検出問題に対して、k-Nearest Neighbours、eXtreme Gradient Boosting、Random Forest分類器を適用する。 未確認のデータに関する当社のテスト結果は、専門家システムを持つ投資家が市場を搾取し、利益を得るのを助けるこのアプローチに大きな可能性を示しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI and data driven solutions have been applied to different fields with outperforming and promising results. In this research work we apply k-Nearest Neighbours, eXtreme Gradient Boosting and Random Forest classifiers to direction detection problem of three cryptocurrency markets. Our input data includes price data and technical indicators. We use these classifiers to design a strategy to trade in those markets. Our test results on unseen data shows a great potential for this approach in helping investors with an expert system to exploit the market and gain profit. Our highest gain for an unseen 66 day span is 860 dollars per 1800 dollars investment. We also discuss limitations of these approaches and their potential impact to Efficient Market Hypothesis.
• Abstract（参考訳）: AIとデータ駆動ソリューションは、パフォーマンスと有望な結果の異なる分野に適用されている。 本研究では,k-Nearest Neighbours,eXtreme Gradient Boosting,Random Forestの3つの暗号市場の方向検出問題に適用する。 入力データには価格データと技術指標が含まれています。 これらの分類器を使って、これらの市場での取引戦略をデザインします。 未確認データに対するテスト結果は、投資家が市場を搾取し利益を得るためのエキスパートシステムを構築する上で、このアプローチの大きな可能性を示している。 66日間の最高利益は1800ドル投資当たり860ドルだ。 また、これらのアプローチの限界と、効率的市場仮説に対する潜在的な影響についても論じる。

関連論文リスト

• Cryptocurrency Price Forecasting Using XGBoost Regressor and Technical Indicators [2.038893829552158]
  本研究では,暗号通貨の価格を予測するための機械学習手法を提案する。 我々は、XGBoost回帰モデルの訓練および供給のために、EMA(Exponential moving Avergence)やMACD( moving Avergence Divergence)といった重要な技術指標を活用している。 モデルの性能を様々なシミュレーションにより評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-07-16T14:41:27Z)
• Beyond Trend Following: Deep Learning for Market Trend Prediction [49.89480853499917]
  我々は、将来の市場動向を予測するために人工知能と機械学習技術を使うことを提唱する。 これらの予測は、適切に実行されれば、リターンを増やし、損失を減らすことで資産運用者のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-06-10T11:42:30Z)
• Dynamic Datasets and Market Environments for Financial Reinforcement Learning [68.11692837240756]
  FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。 我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。 また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
  論文  参考訳（メタデータ） (2023-04-25T22:17:31Z)
• Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning [11.516147824168732]
  本稿では、Twin-Delayed DDPG(TD3)と日替わり価格を用いて、株式および暗号通貨市場でのトレーディング戦略を実現するためのアプローチを提案する。 本研究では,株式(Amazon)と暗号通貨(Bitcoin)の両市場を対象とし,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2022-10-07T11:42:31Z)
• Quantum computational finance: martingale asset pricing for incomplete markets [69.73491758935712]
  金融の価格問題に様々な量子技術を適用することができることを示す。 従来の研究と異なる3つの方法について議論する。
  論文  参考訳（メタデータ） (2022-09-19T09:22:01Z)
• Profitable Strategy Design by Using Deep Reinforcement Learning for Trades on Cryptocurrency Markets [2.741266294612776]
  我々は,3つの暗号市場の戦略設計問題に対して,プロキシポリシー最適化,ソフトアクタ-C模倣,ジェネレーティブ・アドバシリティック・ラーニングを適用した。 未確認データに対するテスト結果は、投資家が市場を搾取し利益を得るためのエキスパートシステムを構築する上で、このアプローチの大きな可能性を示している。
  論文  参考訳（メタデータ） (2022-01-15T18:45:03Z)
• Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
  本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。 模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
  論文  参考訳（メタデータ） (2021-12-08T14:55:21Z)
• A Data-Driven Convergence Bidding Strategy Based on Reverse Engineering of Market Participants' Performance: A Case of California ISO [0.0]
  コンバージェンス入札(コンバージェンス入札、別名仮想入札)は、近年、ホールセール電気市場で広く採用されている。 市場参加者は、日頭市場の位置的限界価格とリアルタイム市場位置的限界価格との差を仲裁する機会を提供する。 市場参加者が現在使用している様々なコンバージェンス入札戦略を学習し、特徴付けし、評価する。
  論文  参考訳（メタデータ） (2021-09-19T22:19:10Z)
• A comparative study of Different Machine Learning Regressors For Stock Market Prediction [2.1485350418225244]
  我々はNASDAQの株式市場を集中的に研究し、10社のポートフォリオを選択することを目標とした。 目標は、履歴データを用いて翌日の株式の公開価格を計算することである。 このタスクを達成するために、9つの異なる機械学習レグレッサーがこのデータに適用され、パフォーマンスメトリックとしてMSEとR2を使用して評価されます。
  論文  参考訳（メタデータ） (2021-04-14T15:37:33Z)
• OSOUM Framework for Trading Data Research [79.0383470835073]
  私たちは、私たちの知る限り、最初のオープンソースのシミュレーションプラットフォームであるOpen SOUrce Market Simulator(OSOUM)を提供して、トレーディング市場、特にデータ市場を分析します。 我々は、購入に利用可能なさまざまなデータセットを所有する売り手と、購入に有効な適切なデータセットを検索する買い手という2つのタイプのエージェントからなる、特定のデータ市場モデルを記述し、実装する。 データ市場を扱うための商用フレームワークはすでに存在していますが、購入者および販売者の両方が(データ)市場に参加することの可能な振る舞いをシミュレートするための、自由で広範なエンドツーエンドの研究ツールを提供しています。
  論文  参考訳（メタデータ） (2021-02-18T09:20:26Z)
• Taking Over the Stock Market: Adversarial Perturbations Against Algorithmic Traders [47.32228513808444]
  本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。 入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
  論文  参考訳（メタデータ） (2020-10-19T06:28:05Z)

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。