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 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) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - 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) - Using a Deep Learning Model to Simulate Human Stock Trader's Methods of
Chart Analysis [0.32634122554914]
本稿では,専門家の技術アナリストの取引方法に触発された手法を提案する。
過去600日間の株価を見て、株価が次のD日で10%上昇するか、20%下落するかを予測する。
韓国市場では、利益は市場リターンの39%以上、利益はアメリカの市場リターンの40%以上に達した。
論文 参考訳(メタデータ) (2023-04-28T14:27:18Z) - 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) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳(メタデータ) (2021-09-14T18:50:38Z) - 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) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z)
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。