Fugu-MT 論文翻訳(概要): Two-Stage Sector Rotation Methodology Using Machine Learning and Deep Learning Techniques

論文の概要: Two-Stage Sector Rotation Methodology Using Machine Learning and Deep Learning Techniques

arxiv url: http://arxiv.org/abs/2108.02838v1
Date: Thu, 5 Aug 2021 20:32:59 GMT
ステータス: 処理完了
システム内更新日: 2021-08-10 01:12:52.100843
Title: Two-Stage Sector Rotation Methodology Using Machine Learning and Deep Learning Techniques
Title（参考訳）: 機械学習とディープラーニング技術を用いた二段階回転法
Authors: Tugce Karatas, Ali Hirsa
Abstract要約: 市場指標とランキングセクターを用いて各セクターのETF価格を予測する2段階の手法を提案する。実験結果から,我々の手法が長期にわたって,ポートフォリオのパフォーマンスを均等に重み付けしていることが明らかとなった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Market indicators such as CPI and GDP have been widely used over decades to identify the stage of business cycles and also investment attractiveness of sectors given market conditions. In this paper, we propose a two-stage methodology that consists of predicting ETF prices for each sector using market indicators and ranking sectors based on their predicted rate of returns. We initially start with choosing sector specific macroeconomic indicators and implement Recursive Feature Elimination algorithm to select the most important features for each sector. Using our prediction tool, we implement different Recurrent Neural Networks models to predict the future ETF prices for each sector. We then rank the sectors based on their predicted rate of returns. We select the best performing model by evaluating the annualized return, annualized Sharpe ratio, and Calmar ratio of the portfolios that includes the top four ranked sectors chosen by the model. We also test the robustness of the model performance with respect to lookback windows and look ahead windows. Our empirical results show that our methodology beats the equally weighted portfolio performance even in the long run. We also find that Echo State Networks exhibits an outstanding performance compared to other models yet it is faster to implement compared to other RNN models.
Abstract（参考訳）: cpiやgdpといった市場指標は、市場状況に応じて事業サイクルの段階や投資の魅力を特定するために、数十年にわたって広く用いられてきた。本稿では、市場指標とランキング指標を用いて各セクターのetf価格を予測し、利益率を予測した2段階の手法を提案する。まず最初に、セクター固有のマクロ経済指標を選択し、各セクターで最も重要な特徴を選択するために再帰的特徴除去アルゴリズムを実装します。予測ツールを用いて,各セクタのetf価格を予測するために,異なるリカレントニューラルネットワークモデルを実装した。次に、予測したリターン率に基づいてセクタをランク付けする。本モデルにより選択された上位4部門を含むポートフォリオの年次リターン,年次シャープ比,冷静化率を評価することにより,最高のパフォーマンスモデルを選択する。また、ルックバックウィンドウに対するモデルパフォーマンスの堅牢性をテストし、先行ウィンドウを確認します。実験結果から,我々の手法が長期にわたって,ポートフォリオのパフォーマンスを均等に重み付けしていることが明らかとなった。また、Echo State Networksは他のモデルと比較して優れた性能を示すが、他のRNNモデルよりも高速に実装できる。

関連論文リスト

MME-Finance: A Multimodal Finance Benchmark for Expert-level Understanding and Reasoning [42.80085792749683]
本稿では,VQA(Visual Question Answering)ベンチマークであるMME-Financeを提案する。このベンチマークの特徴は財務と専門知識であり、実際のユーザのニーズを反映したチャートの構築を含む。また,中国語の文脈下でのMLLMの性能比較を支援する中国語版を提案する。
論文参考訳（メタデータ） (2024-11-05T18:59:51Z)
Advanced LSTM Neural Networks for Predicting Directional Changes in Sector-Specific ETFs Using Machine Learning Techniques [0.0]
この研究は、9つの異なるセクターと2200以上の株にわたるLong-Short Term Memory(LSTM)モデルを評価する。全分野にわたるR2乗値は、平均0.8651、VNQ ETFは0.942である、有望な結果を示した。
論文参考訳（メタデータ） (2024-09-09T16:41:04Z)
Which LLM to Play? Convergence-Aware Online Model Selection with Time-Increasing Bandits [43.65904435249823]
本稿では,モデルの性能向上を効果的に予測する帯域幅増加アルゴリズムTI-UCBを提案する。本研究は,より効率的かつ経済的なモデル選択のために,増大する収束パターンを活用することの重要性を強調した。
論文参考訳（メタデータ） (2024-03-11T23:52:46Z)
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)
Online Ensemble of Models for Optimal Predictive Performance with Applications to Sector Rotation Strategy [0.0]
資産固有の要因は、一般的に金融リターンを予測し、資産固有のリスク・プレミアを定量化するために使用される。予測性能を最適化するオンラインアンサンブルアルゴリズムを開発した。当社のアンサンブルからの月次予測を利用して、市場を著しく上回るセクターローテーション戦略を策定する。
論文参考訳（メタデータ） (2023-03-30T02:25:54Z)
WHEN FLUE MEETS FLANG: Benchmarks and Large Pre-trained Language Model for Financial Domain [42.093876880881886]
ドメイン固有型金融LANGuageモデル(FLANG)を提案する。ファイナンシャルキーワードとフレーズを使用して、スパン境界目的とインフィリング目的ととともに、マスキングを改善する。私たちのモデル、コード、ベンチマークデータはGithubとHuggingfaceで公開されています。
論文参考訳（メタデータ） (2022-10-31T18:35:18Z)
Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文参考訳（メタデータ） (2022-10-22T14:47:11Z)
Analysis of Sectoral Profitability of the Indian Stock Market Using an LSTM Regression Model [0.0]
本稿では,所定時間間隔でウェブから過去の株価を自動的に抽出する,長期記憶(LSTM)アーキテクチャに基づく最適化された予測モデルを提案する。このモデルは、インド国立証券取引所(NSE)に上場している7つのセクターから70の重要株式の予測結果に基づいて、取引の売買のために展開されている。結果は、このモデルが将来の株価を予測する上で非常に正確であることを示唆している。
論文参考訳（メタデータ） (2021-11-09T07:50:48Z)
Profitability Analysis in Stock Investment Using an LSTM-Based Deep Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文参考訳（メタデータ） (2021-04-06T11:09:51Z)
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 Learning for Portfolio Optimization [5.833272638548154]
個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
論文参考訳（メタデータ） (2020-05-27T21:28:43Z)

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。