論文の概要: What Data Augmentation Do We Need for Deep-Learning-Based Finance?

• arxiv url: http://arxiv.org/abs/2106.04114v1
• Date: Tue, 8 Jun 2021 05:26:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-09 15:34:54.048070
• Title: What Data Augmentation Do We Need for Deep-Learning-Based Finance?
• Title（参考訳）: ディープラーニングベースのファイナンスにはどのようなデータ強化が必要か?
• Authors: Liu Ziyin, Kentaro Minami, Kentaro Imajo
• Abstract要約: 我々は、定量的ファイナンスのための深層学習に基づくアプローチにおけるデータ拡張の利用を理解するための理論的枠組みの開発に焦点をあてる。 提案理論は, ファイナンスにおけるデータ拡張の役割と必要性を明らかにし, さらに, ランダムな強度ノイズを注入する単純なアルゴリズムを動機付けている。 このアルゴリズムは実際にうまく動作することが示されている。
• 参考スコア（独自算出の注目度）: 2.470815298095903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The main task we consider is portfolio construction in a speculative market, a fundamental problem in modern finance. While various empirical works now exist to explore deep learning in finance, the theory side is almost non-existent. In this work, we focus on developing a theoretical framework for understanding the use of data augmentation for deep-learning-based approaches to quantitative finance. The proposed theory clarifies the role and necessity of data augmentation for finance; moreover, our theory motivates a simple algorithm of injecting a random noise of strength $\sqrt{|r_{t-1}|}$ to the observed return $r_{t}$. This algorithm is shown to work well in practice.
• Abstract（参考訳）: 我々が考える主な課題は投機的市場におけるポートフォリオの構築であり、現代の金融の根本的な問題である。 金融の深層学習を探求する様々な経験的研究が現在存在しているが、理論的な側面はほとんど存在しない。 本研究では,定量的ファイナンスに対するディープラーニングに基づくアプローチにおけるデータ拡張の利用を理解するための理論的枠組みの開発に着目する。 提案する理論は,金融におけるデータ拡張の役割と必要性を明確にするものであり,さらに本理論は,実測値である$r_{t}$に対して,強度の無作為なノイズを注入する単純なアルゴリズムを動機付けるものである。 このアルゴリズムは実際にうまく動作することが示されている。

関連論文リスト

• Mathematics of Differential Machine Learning in Derivative Pricing and Hedging [0.0]
  本稿では、厳密な数学的枠組みを通じて、金融微分機械学習アルゴリズムの概念を紹介する。 この研究は、機械学習アルゴリズムの構築における金融モデルにおける理論的仮定の深い意味を強調している。
  論文  参考訳（メタデータ） (2024-05-02T12:25:41Z)
• 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)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• 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)
• Recent Advances in Reinforcement Learning in Finance [3.0079490585515343]
  データ量の増加による金融業界の急激な変化は、データ処理やデータ分析に関する技術に革命をもたらした。 強化学習(RL)による新たな発展は、大量の財務データをフル活用することができる。
  論文  参考訳（メタデータ） (2021-12-08T19:55:26Z)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)
• Algorithms for Learning Graphs in Financial Markets [5.735035463793008]
  ラプラシアン構造制約下での無向グラフィカルモデル学習の基本問題について検討する。 我々は,ラプラシアン行列を金融資産の精密行列のモデルとして用いるための実証的証拠によって裏付けられた自然な正当化を提案する。 我々は,非方向重み付きグラフを学習するための乗算器の交互方向法に基づく数値アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-12-31T02:48:35Z)
• 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)
• The Information Bottleneck Problem and Its Applications in Machine Learning [53.57797720793437]
  近年,機械学習システムの推論能力が急上昇し,社会の様々な側面において重要な役割を担っている。 情報ボトルネック(IB)理論は、ディープラーニング(DL)システムを分析するための大胆な情報理論パラダイムとして登場した。 本チュートリアルでは,この抽象原理の情報理論的起源と最近のDLへの影響について考察する。
  論文  参考訳（メタデータ） (2020-04-30T16:48:51Z)
• Budget Learning via Bracketing [50.085728094234476]
  予算学習の問題は、学習者の目標として、雲の使用を最小限に抑えつつ、精度の明確な損失を被ることである。 本稿ではブラケットの概念を用いてBL問題に対する新しい定式化を提案する。 我々は、実世界のデータセットに関する我々の理論を実証的に検証し、事前ゲーティングに基づく手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-14T04:38:14Z)

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。