論文の概要: RCURRENCY: Live Digital Asset Trading Using a Recurrent Neural
Network-based Forecasting System
- arxiv url: http://arxiv.org/abs/2106.06972v1
- Date: Sun, 13 Jun 2021 11:58:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-15 16:09:03.830241
- Title: RCURRENCY: Live Digital Asset Trading Using a Recurrent Neural
Network-based Forecasting System
- Title(参考訳): RCURRENCY: Recurrent Neural Network-based Forecasting System を用いたライブデジタルアセット取引
- Authors: Yapeng Jasper Hu, Ralph van Gurp, Ashay Somai, Hugo Kooijman and Jan
S. Rellermeyer (Distributed Systems Group, Delft University of Technology)
- Abstract要約: 本稿では,RNNベースのトレーディングエンジンであるRCURRENCYについて紹介する。
資産価値予測と従来型の取引ツールを組み合わせることで、RCURRENCYはデジタル通貨の購入、保持、販売の可否を決定する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Consistent alpha generation, i.e., maintaining an edge over the market,
underpins the ability of asset traders to reliably generate profits. Technical
indicators and trading strategies are commonly used tools to determine when to
buy/hold/sell assets, yet these are limited by the fact that they operate on
known values. Over the past decades, multiple studies have investigated the
potential of artificial intelligence in stock trading in conventional markets,
with some success. In this paper, we present RCURRENCY, an RNN-based trading
engine to predict data in the highly volatile digital asset market which is
able to successfully manage an asset portfolio in a live environment. By
combining asset value prediction and conventional trading tools, RCURRENCY
determines whether to buy, hold or sell digital currencies at a given point in
time. Experimental results show that, given the data of an interval $t$, a
prediction with an error of less than 0.5\% of the data at the subsequent
interval $t+1$ can be obtained. Evaluation of the system through backtesting
shows that RCURRENCY can be used to successfully not only maintain a stable
portfolio of digital assets in a simulated live environment using real
historical trading data but even increase the portfolio value over time.
- Abstract(参考訳): 一貫性のあるアルファ世代、すなわち市場の優位性を維持することは、資産トレーダーが確実に利益を生み出す能力を支える。
技術的指標とトレーディング戦略は、いつ購入/保有/売却するかを決定するツールとして一般的に使用されるが、これらは既知の値を扱うという事実によって制限されている。
過去数十年にわたり、複数の研究が従来の市場での株式取引における人工知能の可能性を調査し、成功している。
本稿では,rnnベースのトレーディングエンジンであるrcurrencyについて紹介する。このrnnベースのトレーディングエンジンは,実環境において資産ポートフォリオをうまく管理できる高度に揮発性のあるデジタル資産市場におけるデータを予測する。
資産価値予測と従来の取引ツールを組み合わせることで、RCURRENCYは特定の時点におけるデジタル通貨の購入、保持、販売の可否を決定する。
実験の結果、区間$t$のデータを考えると、次の区間$t+1$におけるデータの0.5\%未満の誤差の予測が得られることがわかった。
バックテストによるシステム評価では、RCURRENCYは、実際の歴史的取引データを用いてシミュレーションされた実環境において、安定したデジタル資産のポートフォリオを維持するだけでなく、時間とともにポートフォリオの価値を高めることができる。
関連論文リスト
- Optimizing Portfolio Management and Risk Assessment in Digital Assets
Using Deep Learning for Predictive Analysis [5.015409508372732]
本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。
この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。
異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
論文 参考訳(メタデータ) (2024-02-25T05:23:57Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative
Trading [0.0]
NoxTraderはポートフォリオの構築と取引実行のために設計された洗練されたシステムである。
NoxTraderの基本的な学習プロセスは、歴史的取引データから得られた貴重な洞察の同化に根ざしている。
厳密な特徴工学と予測対象の選択により,0.65から0.75の範囲の顕著な相関範囲で予測データを生成することができる。
論文 参考訳(メタデータ) (2023-10-01T17:53:23Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Data Cross-Segmentation for Improved Generalization in Reinforcement
Learning Based Algorithmic Trading [5.75899596101548]
本稿では,学習した予測モデルからの信号に基づいて処理を行う強化学習(RL)アルゴリズムを提案する。
われわれのアルゴリズムは、ブルサ・マレーシアの20年以上のエクイティデータに基づいてテストしている。
論文 参考訳(メタデータ) (2023-07-18T16:00:02Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - DNN-ForwardTesting: A New Trading Strategy Validation using Statistical
Timeseries Analysis and Deep Neural Networks [0.6882042556551609]
我々はDNN-forwardtestingと呼ばれる新しいトレーディング戦略を提案し、ディープニューラルネットワークによって予測される将来についてテストすることで適用戦略を決定する。
我々の取引システムは、DNNの予測に適用することで最も効果的な技術指標を計算し、そのような指標を使って取引を誘導する。
論文 参考訳(メタデータ) (2022-10-20T19:00:59Z) - Applications of Reinforcement Learning in Finance -- Trading with a
Double Deep Q-Network [0.0]
本稿では,単一資産,すなわちE-mini S&P 500連続先物契約を取引するためのDouble Deep Q-Networkアルゴリズムを提案する。
複数の拡張を備えた環境の基盤として、実証済みのセットアップを使用します。
当社のトレーディングエージェントの特徴は、常に商品などの追加資産を含むように拡張され、結果として4つのモデルが生まれています。
論文 参考訳(メタデータ) (2022-06-28T19:46:16Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳(メタデータ) (2020-12-10T01:15:48Z) - 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) - A Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳(メタデータ) (2020-04-13T13:50:13Z)
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。