Fugu-MT 論文翻訳(概要): RCURRENCY: Live Digital Asset Trading Using a Recurrent Neural Network-based Forecasting System

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

Integrative Analysis of Financial Market Sentiment Using CNN and GRU for Risk Prediction and Alert Systems [37.73552608952924]
本稿では,CNN(Convolutional Neural Networks)とGated Recurrent Units(GRU)を統合することで,株式市場の感情を詳細に検証する。 CNNのロバストな特徴抽出能力は、ネットワークテキストデータの事前処理と分析に利用され、局所的な特徴やパターンを識別する。抽出した特徴系列はGRUモデルに入力され、時間とともに感情状態が進行し、将来の市場の感情やリスクに潜在的に影響することを理解する。
論文参考訳（メタデータ） (2024-12-13T15:17:23Z)
When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
論文参考訳（メタデータ） (2024-07-15T06:49:30Z)
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)
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)
Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文参考訳（メタデータ） (2023-06-01T01:36:51Z)
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)
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。