論文の概要: Trade When Opportunity Comes: Price Movement Forecasting via Locality-Aware Attention and Iterative Refinement Labeling

• arxiv url: http://arxiv.org/abs/2107.11972v4
• Date: Wed, 10 Jul 2024 07:05:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 22:45:35.519643
• Title: Trade When Opportunity Comes: Price Movement Forecasting via Locality-Aware Attention and Iterative Refinement Labeling
• Title（参考訳）: 機会が訪れるときの貿易:地域意識と反復的リファインメントラベリングによる物価変動予測
• Authors: Liang Zeng, Lei Wang, Hui Niu, Ruchen Zhang, Ling Wang, Jian Li,
• Abstract要約: 2つの主成分を持つ価格変動予測フレームワークであるLARAを提案する。 LA-Attentionはマスク付きアテンションスキームを通じて潜在的に有益なサンプルを抽出する。 RA-Labelingは、潜在的に利益の出るサンプルのうるさいラベルを洗練させる。 LARAは、Qlibの量的投資プラットフォーム上で、いくつかの機械学習ベースの手法を大幅に上回っている。
• 参考スコア（独自算出の注目度）: 11.430440350359993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Price movement forecasting, aimed at predicting financial asset trends based on current market information, has achieved promising advancements through machine learning (ML) methods. Most existing ML methods, however, struggle with the extremely low signal-to-noise ratio and stochastic nature of financial data, often mistaking noises for real trading signals without careful selection of potentially profitable samples. To address this issue, we propose LARA, a novel price movement forecasting framework with two main components: Locality-Aware Attention (LA-Attention) and Iterative Refinement Labeling (RA-Labeling). (1) LA-Attention, enhanced by metric learning techniques, automatically extracts the potentially profitable samples through masked attention scheme and task-specific distance metrics. (2) RA-Labeling further iteratively refines the noisy labels of potentially profitable samples, and combines the learned predictors robust to the unseen and noisy samples. In a set of experiments on three real-world financial markets: stocks, cryptocurrencies, and ETFs, LARA significantly outperforms several machine learning based methods on the Qlib quantitative investment platform. Extensive ablation studies confirm LARA's superior ability in capturing more reliable trading opportunities.
• Abstract（参考訳）: 現在の市場情報に基づく金融資産トレンドの予測を目的とした価格変動予測は,機械学習(ML)手法により,有望な進歩を遂げている。 しかし、既存のML手法の多くは、非常に低い信号対雑音比と金融データの確率的な性質に苦しむ。 この問題に対処するため,LA-Attention (Locality-Aware Attention, LA-Attention) と Iterative Refinement Labeling (RA-Labeling, RA-Labeling, RA-Labeling) という,新しい価格変動予測フレームワークを提案する。 1)メトリクス学習技術によって強化されたLA-Attentionは,マスマスキングアテンションスキームとタスク特異的距離測定によって,潜在的に有益なサンプルを自動的に抽出する。 2)RA-Labelingはさらに,潜在的に有益なサンプルのノイズラベルを反復的に洗練し,学習した予測器を目に見えない,ノイズの多いサンプルに頑健に結合する。 株式、暗号通貨、ETFの3つの実世界の金融市場に関する一連の実験において、LARAはQlibの量的投資プラットフォームにおける機械学習ベースの手法を著しく上回っている。 広範囲にわたるアブレーション研究は、より信頼性の高い貿易機会の獲得におけるララの優れた能力を確認している。

関連論文リスト

• Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
  本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。 近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。 この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-13T04:53:31Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• Combining Deep Learning on Order Books with Reinforcement Learning for Profitable Trading [0.0]
  本研究は,注文フローを用いた複数地平線におけるリターン予測と,5つの金融機器を対象とした3つの時間差不均衡学習モデルを訓練することに焦点を当てる。 この結果は潜在的な可能性を証明しているが、小売取引コスト、滑り込み、スプレッド・揺らぎを完全に処理するためには、一貫した黒字取引のためのさらなる最小限の修正が必要である。
  論文  参考訳（メタデータ） (2023-10-24T15:58:58Z)
• 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)
• 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)
• AlphaMLDigger: A Novel Machine Learning Solution to Explore Excess Return on Investment [1.4502611532302039]
  本稿では,高度変動市場における過剰なリターンを効果的に見出す2相AlphaMLDiggerを提案する。 フェーズ1では、Sina Microblogのブログを市場感情に転送するディープシーケンシャルなNLPモデルが提案されている。 第2フェーズでは、予測される市場感情と、ソーシャルネットワーク指標の特徴と株式市場履歴の特徴が組み合わされ、株価の動きが予測される。
  論文  参考訳（メタデータ） (2022-06-22T13:37:58Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Denoised Labels for Financial Time-Series Data via Self-Supervised Learning [5.743034166791607]
  この研究は、トレーディングにおける画像分類と自己指導型学習の成功から着想を得ている。 本稿では,コンピュータビジョンの手法を金融時系列に適用し,騒音暴露を減らすという考え方について検討する。 以上の結果から,分類ラベルにより下流学習アルゴリズムの性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-12-19T12:54:20Z)
• BERTifying the Hidden Markov Model for Multi-Source Weakly Supervised Named Entity Recognition [57.2201011783393]
  条件付き隠れマルコフモデル(CHMM) CHMMは、入力トークンのBERT埋め込みからトークン単位の遷移と放出確率を予測する。 BERTベースのNERモデルを微調整し、ラベルをCHMMで推論する。
  論文  参考訳（メタデータ） (2021-05-26T21:18:48Z)

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。