Fugu-MT 論文翻訳(概要): Machine Learning Classification Methods and Portfolio Allocation: An Examination of Market Efficiency

論文の概要: Machine Learning Classification Methods and Portfolio Allocation: An Examination of Market Efficiency

arxiv url: http://arxiv.org/abs/2108.02283v1
Date: Wed, 4 Aug 2021 20:48:27 GMT
ステータス: 翻訳完了
システム内更新日: 2021-08-06 14:28:10.970586
Title: Machine Learning Classification Methods and Portfolio Allocation: An Examination of Market Efficiency
Title（参考訳）: 機械学習の分類手法とポートフォリオ割り当て:市場効率の検討
Authors: Yang Bai and Kuntara Pukthuanthong
Abstract要約: 我々は,OOS(Out-of-sample)予測可能性を通じて市場効率を評価する新しい枠組みを設計する。我々は、資産価格問題を機械学習の分類問題とみなし、返却状態を予測するための分類モデルを構築した。予測に基づくポートフォリオは、OOS経済の大幅な伸びで市場を圧倒した。
参考スコア（独自算出の注目度）: 3.3343612552681945
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We design a novel framework to examine market efficiency through out-of-sample (OOS) predictability. We frame the asset pricing problem as a machine learning classification problem and construct classification models to predict return states. The prediction-based portfolios beat the market with significant OOS economic gains. We measure prediction accuracies directly. For each model, we introduce a novel application of binomial test to test the accuracy of 3.34 million return state predictions. The tests show that our models can extract useful contents from historical information to predict future return states. We provide unique economic insights about OOS predictability and machine learning models.
Abstract（参考訳）: 我々は,OOS(Out-of-sample)予測可能性を通じて市場効率を評価する新しい枠組みを設計する。我々は,アセット価格問題を機械学習分類問題とし,帰納状態を予測するための分類モデルを構築した。予測に基づくポートフォリオは、OOS経済の大きな伸びで市場を上回った。予測精度を直接測定する。各モデルに対して,3.34億戻り状態予測の精度をテストするために,二項テストの新たな適用を導入する。実験の結果,我々のモデルは過去の情報から有用なコンテンツを抽出し,将来のリターン状態を予測できることがわかった。 OOS予測可能性と機械学習モデルに関するユニークな経済的な洞察を提供する。

関連論文リスト

A Probabilistic Perspective on Unlearning and Alignment for Large Language Models [48.96686419141881]
大規模言語モデル(LLM)における最初の形式的確率的評価フレームワークを紹介する。モデルの出力分布に関する高い確率保証を持つ新しい指標を導出する。私たちのメトリクスはアプリケーションに依存しないので、デプロイ前にモデル機能についてより信頼性の高い見積を行うことができます。
論文参考訳（メタデータ） (2024-10-04T15:44:23Z)
Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文参考訳（メタデータ） (2024-09-10T07:34:19Z)
Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文参考訳（メタデータ） (2024-08-07T17:14:58Z)
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)
ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文参考訳（メタデータ） (2023-04-07T23:51:07Z)
Application of supervised learning models in the Chinese futures market [0.0]
本稿では,先物価格の傾向を予測するための教師付き学習モデルを構築し,その予測結果に基づいてトレーディング戦略を設計する。分類問題の精度,リコール,F1スコアは,今後の価格変動の分類の精度要件を満たすことを示唆している。
論文参考訳（メタデータ） (2023-03-08T13:56:53Z)
Machine Learning for Stock Prediction Based on Fundamental Analysis [13.920569652186714]
フィードフォワードニューラルネットワーク(FNN)、ランダムフォレスト(RF)、適応型ニューラルファジィ推論システム(ANFIS)の3つの機械学習アルゴリズムについて検討する。 RFモデルは最高の予測結果を達成し,FNNとANFISのテスト性能を向上させることができる。この結果から, 機械学習モデルは, 株式投資に関する意思決定において, 基礎アナリストの助けとなる可能性が示唆された。
論文参考訳（メタデータ） (2022-01-26T18:48:51Z)
Economic Recession Prediction Using Deep Neural Network [26.504845007567972]
本稿では,米国における景気後退の開始と終了を予測するための最も正確なモデルとして,オートエンコーダを用いたBi-LSTMの深層学習手法を同定する。我々は、さまざまな機械学習モデルの能力を比較して、サンプル内とサンプル外の両方で優れた予測を生成するために、一般的なマクロおよびマーケットコンディション機能を採用する。
論文参考訳（メタデータ） (2021-07-21T22:55:14Z)
Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文参考訳（メタデータ） (2021-06-22T18:29:58Z)
Design and Analysis of Robust Deep Learning Models for Stock Price Prediction [0.0]
株価と株価の動きの堅牢かつ正確な予測のための予測モデルを構築することは、解決すべき課題である。本章では、インド国立証券取引所(NSE)の多角化部門に上場する株式の将来価格の堅牢かつ正確な予測のために、ディープラーニングアーキテクチャ上に構築された予測回帰モデル集を提案する。
論文参考訳（メタデータ） (2021-06-17T17:15:02Z)
A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文参考訳（メタデータ） (2020-04-17T19:41:22Z)
Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。