論文の概要: Enhancing Cross-Sectional Currency Strategies by Ranking Refinement with
Transformer-based Architectures
- arxiv url: http://arxiv.org/abs/2105.10019v1
- Date: Thu, 20 May 2021 20:30:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-28 13:16:08.323707
- Title: Enhancing Cross-Sectional Currency Strategies by Ranking Refinement with
Transformer-based Architectures
- Title（参考訳）: 変圧器アーキテクチャによる階層化によるクロスセクション通貨戦略の強化
- Authors: Daniel Poh, Bryan Lim, Stefan Zohren and Stephen Roberts
- Abstract要約: 我々は、元のランクリストを精算するモデルを学ぶ。
再ランク付けされたフレームワークでは、極端な資産の特徴をエンコードするためにTransformerアーキテクチャを適用します。
提案手法は,31通貨をバックテストし,シャープ比を大幅に向上させる。
- 参考スコア（独自算出の注目度）: 6.759148939470331
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The performance of a cross-sectional currency strategy depends crucially on
accurately ranking instruments prior to portfolio construction. While this
ranking step is traditionally performed using heuristics, or by sorting outputs
produced by pointwise regression or classification models, Learning to Rank
algorithms have recently presented themselves as competitive and viable
alternatives. Despite improving ranking accuracy on average however, these
techniques do not account for the possibility that assets positioned at the
extreme ends of the ranked list -- which are ultimately used to construct the
long/short portfolios -- can assume different distributions in the input space,
and thus lead to sub-optimal strategy performance. Drawing from research in
Information Retrieval that demonstrates the utility of contextual information
embedded within top-ranked documents to learn the query's characteristics to
improve ranking, we propose an analogous approach: exploiting the features of
both out- and under-performing instruments to learn a model for refining the
original ranked list. Under a re-ranking framework, we adapt the Transformer
architecture to encode the features of extreme assets for refining our
selection of long/short instruments obtained with an initial retrieval.
Backtesting on a set of 31 currencies, our proposed methodology significantly
boosts Sharpe ratios -- by approximately 20% over the original LTR algorithms
and double that of traditional baselines.
- Abstract（参考訳）: 横断的な通貨戦略のパフォーマンスは、ポートフォリオ構築前の正確な指標のランク付けに大きく依存する。
このランク付けのステップは伝統的にヒューリスティックや、ポイントワイズ回帰や分類モデルによって生成された出力のソートによって行われるが、最近、ランク付けアルゴリズムの学習は競争的で実行可能な代替手段として自らを提示している。
しかし、これらの手法は、平均的なランキング精度の改善にもかかわらず、ランクリストの極端に位置する資産 -- 最終的にロング/ショートポートフォリオの構築に使用される -- が入力空間の異なる分布を仮定し、その結果、準最適戦略性能をもたらす可能性を考慮していない。
トップランクの文書に埋め込まれた文脈情報を活用してクエリの特徴を学習してランキングを改善するインフォメーション検索の研究から、アウト・アンド・アン・パフォーマンスの両機器の特徴を活用して、元のランクリストを改良するモデルを学ぶという類似のアプローチを提案する。
再ランキングの枠組みでは,初期検索で得られた長短楽器の選択を洗練するために,トランスフォーマティブ・アーキテクチャを極端資産の特徴をエンコードする。
提案手法は,31通貨のセットをバックテストし,シャープ比を従来のLTRアルゴリズムの約20%,従来のベースラインの約2倍に向上させる。
関連論文リスト
- Learning Fair Ranking Policies via Differentiable Optimization of
Ordered Weighted Averages [55.04219793298687]
本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。
特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
論文 参考訳（メタデータ） (2024-02-07T20:53:53Z) - PIER: Permutation-Level Interest-Based End-to-End Re-ranking Framework
in E-commerce [13.885695433738437]
既存の再ランク付け手法は、初期ランキングリストを直接入力として取り、よく設計されたコンテキストワイズモデルによって最適な置換を生成する。
候補の順列を評価することは 現実的には 許容できない計算コストをもたらします
本稿では,これらの課題に対処するため,PIERという新しいエンドツーエンドのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-06T09:17:52Z) - Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。
提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。
本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。
本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
論文 参考訳（メタデータ） (2022-10-11T20:20:20Z) - Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。
学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。
提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
論文 参考訳（メタデータ） (2021-11-11T23:31:34Z) - Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。
この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。
また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2021-10-12T17:58:59Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - Building Cross-Sectional Systematic Strategies By Learning to Rank [6.759148939470331]
学習からランクまでのアルゴリズムを組み込むことで、横断的なポートフォリオを強化するフレームワークを提案する。
最新の機械学習ランキングアルゴリズムを用いることで、断面戦略の取引性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2020-12-13T20:52:35Z) - CRACT: Cascaded Regression-Align-Classification for Robust Visual
Tracking [97.84109669027225]
改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。
CRACは多くのベンチマークで最先端のパフォーマンスを得る。
OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
論文 参考訳（メタデータ） (2020-11-25T02:18:33Z) - Generalized Reinforcement Meta Learning for Few-Shot Optimization [3.7675996866306845]
本稿では, 汎用的かつ柔軟な強化学習(RL)に基づくメタラー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簡単にネットワークアーキテクチャ検索に拡張できる。
論文 参考訳（メタデータ） (2020-05-04T03:21:05Z) - Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。
提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
論文 参考訳（メタデータ） (2020-03-14T22:29:50Z)
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。