Fugu-MT 論文翻訳(概要): Combining Machine Learning Classifiers for Stock Trading with Effective Feature Extraction

論文の概要: Combining Machine Learning Classifiers for Stock Trading with Effective Feature Extraction

arxiv url: http://arxiv.org/abs/2107.13148v3
Date: Fri, 11 Aug 2023 17:51:06 GMT
ステータス: 処理完了
システム内更新日: 2023-08-14 18:23:59.263434
Title: Combining Machine Learning Classifiers for Stock Trading with Effective Feature Extraction
Title（参考訳）: 株式取引のための機械学習分類器と効果的な特徴抽出
Authors: A. K. M. Amanat Ullah, Fahim Imtiaz, Miftah Uddin Md Ihsan, Md. Golam Rabiul Alam, Mahbub Majumdar
Abstract要約: 機械学習モデルは、ライブトレーディングを行うことで、米国株式市場でかなりの利益を上げることができる。我々の研究は、重み付けされた分類器の混合が、株式市場での取引決定を行う個々の予測器よりも優れていることを示した。
参考スコア（独自算出の注目度）: 0.4199844472131921
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The unpredictability and volatility of the stock market render it challenging to make a substantial profit using any generalised scheme. Many previous studies tried different techniques to build a machine learning model, which can make a significant profit in the US stock market by performing live trading. However, very few studies have focused on the importance of finding the best features for a particular trading period. Our top approach used the performance to narrow down the features from a total of 148 to about 30. Furthermore, the top 25 features were dynamically selected before each time training our machine learning model. It uses ensemble learning with four classifiers: Gaussian Naive Bayes, Decision Tree, Logistic Regression with L1 regularization, and Stochastic Gradient Descent, to decide whether to go long or short on a particular stock. Our best model performed daily trade between July 2011 and January 2019, generating 54.35% profit. Finally, our work showcased that mixtures of weighted classifiers perform better than any individual predictor of making trading decisions in the stock market.
Abstract（参考訳）: 株式市場の予測不可能性とボラティリティは、一般化されたスキームを使ってかなりの利益を上げることを困難にしている。これまでの多くの研究は、機械学習モデルを構築するために異なる手法を試し、ライブトレーディングを行うことで米国株式市場で大きな利益を得ることができた。しかし、特定の取引期間に最適な特徴を見つけることの重要性に焦点を当てた研究はほとんどない。私たちのトップのアプローチでは、パフォーマンスを使用して、148から30まで機能を絞りました。さらに、トップ25の機能は、機械学習モデルをトレーニングするたびに動的に選択されました。ガウシアン・ネイヴ・ベイズ、決定木、L1正規化によるロジスティック・回帰、Stochastic Gradient Descentの4つの分類子によるアンサンブル学習を使用して、特定のストックで長いか短いかを決定する。当社のベストモデルは2011年7月から2019年1月までの日替わり取引を行い、54.35%の利益を生み出した。最後に、重み付けされた分類器の混合は、株式市場での取引決定を行う個々の予測器よりも優れていることを示した。

関連論文リスト

Combining supervised and unsupervised learning methods to predict financial market movements [0.0]
創発的で確立した金融市場から抽出した新たな特徴を同定する。私たちは、Bitcoin、Pepecoin、Nasdaqの市場からのマイクロロウソクで構成される約6ヶ月のデータを使用しました。我々は、市場の動きを分類するためにランダムフォレスト(RF)やK-Nearest Neighbours(KNN)など、さまざまな機械学習戦略の性能について検討した。
論文参考訳（メタデータ） (2024-08-19T13:17:36Z)
Better & Faster Large Language Models via Multi-token Prediction [29.067271500844928]
GPTやLlamaのような大規模言語モデルは、次のトーケン予測損失で訓練される。複数の未来のトークンを同時に予測するための言語モデルをトレーニングすることで、より高いサンプル効率が得られることを提案する。
論文参考訳（メタデータ） (2024-04-30T17:33:57Z)
Reinforcement Learning with Maskable Stock Representation for Portfolio Management in Customizable Stock Pools [34.97636568457075]
ポートフォリオ・マネジメント(PM)は、長期的利益を追求するために、資本を異なる株式に最適な定期的な再配置を探求する基本的な金融取引課題である。既存のReinforcement Learning (RL) 法では,ストックプールを少し変更してもRLエージェントを再訓練する必要があるため,高い計算コストと不安定な性能が得られる。我々は,グローバルストックプールにおけるワンショットトレーニングを通じて,PMをCSPで扱うためのEarnMoreを提案する。
論文参考訳（メタデータ） (2023-11-17T09:16:59Z)
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)
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)
Short-Term Stock Price Forecasting using exogenous variables and Machine Learning Algorithms [3.2732602885346576]
この研究論文は、2020年3月から2022年5月までにニューヨークで取引された3つの有名な株の予測において、4つの機械学習モデルとそれらの精度を比較した。我々は,XGBoost,Random Forest,Multi-layer Perceptron,Support Vector Regressionモデルをデプロイし,開発し,チューニングする。 XGBoostは、240のトレーディングデイからなるトレーニングデータセットを使用して、より長い実行にもかかわらず、最も高い精度を提供する。
論文参考訳（メタデータ） (2023-05-17T07:04:32Z)
Incorporating Interactive Facts for Stock Selection via Neural Recursive ODEs [30.629948593098273]
ガウス事前を持つ潜在変数モデルであるStockODEを提案する。我々は、ストックボラティリティの時間的進化を捉えるために、ニューラル再帰正規微分方程式ネットワーク(NRODE)を設計する。 2つの実世界の株式市場データセットで実施された実験は、StockODEがいくつかのベースラインを大きく上回っていることを示している。
論文参考訳（メタデータ） (2022-10-28T06:14:02Z)
Quantitative Stock Investment by Routing Uncertainty-Aware Trading Experts: A Multi-Task Learning Approach [29.706515133374193]
既存のディープラーニング手法はランダムなシードやネットワークルータに敏感であることを示す。本稿では,成功した取引会社の効果的なボトムアップトレーディング戦略設計ワークフローを模倣する,量的投資のための新しい2段階混成(MoE)フレームワークを提案する。 AlphaMixは4つの財務基準において、最先端のベースラインを大きく上回っている。
論文参考訳（メタデータ） (2022-06-07T08:58:00Z)
A comparative study of Different Machine Learning Regressors For Stock Market Prediction [2.1485350418225244]
我々はNASDAQの株式市場を集中的に研究し、10社のポートフォリオを選択することを目標とした。目標は、履歴データを用いて翌日の株式の公開価格を計算することである。このタスクを達成するために、9つの異なる機械学習レグレッサーがこのデータに適用され、パフォーマンスメトリックとしてMSEとR2を使用して評価されます。
論文参考訳（メタデータ） (2021-04-14T15:37:33Z)
Feature Learning for Stock Price Prediction Shows a Significant Role of Analyst Rating [0.38073142980733]
5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
論文参考訳（メタデータ） (2021-03-13T03:56:29Z)
Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。表現学習によって、私たちはStock2Vecという埋め込みを導きました。我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-09-29T22:54:30Z)

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。