論文の概要: Interpretability in Safety-Critical FinancialTrading Systems

• arxiv url: http://arxiv.org/abs/2109.15112v1
• Date: Fri, 24 Sep 2021 17:05:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-10 11:46:13.356038
• Title: Interpretability in Safety-Critical FinancialTrading Systems
• Title（参考訳）: 安全クリティカルファイナンシャルトレーディングシステムの解釈可能性
• Authors: Gabriel Deza, Adelin Travers, Colin Rowat, Nicolas Papernot
• Abstract要約: 2020年、世界で最も洗練された量子ヘッジファンドのいくつかが損失を被った。 我々は、トレーディングモデルの予測をどのように操作できるかを正確に評価するために、勾配に基づくアプローチを実装した。 提案手法では,入出力分布に大きな負のずれが生じる,サンプル内入力設定のように見えることが判明した。
• 参考スコア（独自算出の注目度）: 15.060749321774136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sophisticated machine learning (ML) models to inform trading in the financial sector create problems of interpretability and risk management. Seemingly robust forecasting models may behave erroneously in out of distribution settings. In 2020, some of the world's most sophisticated quant hedge funds suffered losses as their ML models were first underhedged, and then overcompensated. We implement a gradient-based approach for precisely stress-testing how a trading model's forecasts can be manipulated, and their effects on downstream tasks at the trading execution level. We construct inputs -- whether in changes to sentiment or market variables -- that efficiently affect changes in the return distribution. In an industry-standard trading pipeline, we perturb model inputs for eight S&P 500 stocks. We find our approach discovers seemingly in-sample input settings that result in large negative shifts in return distributions. We provide the financial community with mechanisms to interpret ML forecasts in trading systems. For the security community, we provide a compelling application where studying ML robustness necessitates that one capture an end-to-end system's performance rather than study a ML model in isolation. Indeed, we show in our evaluation that errors in the forecasting model's predictions alone are not sufficient for trading decisions made based on these forecasts to yield a negative return.
• Abstract（参考訳）: 金融セクターのトレーディングを知らせる高度機械学習(ML)モデルは、解釈可能性とリスク管理の問題を生み出します。 一見ロバストな予測モデルは、分布設定外において誤って振る舞うかもしれない。 2020年、世界で最も洗練された量子ヘッジファンドのいくつかは、MLモデルが最初に過小評価され、過大評価され、損失を被った。 我々は,トレーディングモデルの予測がどのように操作されるか,およびトレーディング実行レベルで下流タスクに与える影響を正確にストレステストするための勾配ベースアプローチを実装した。 感情の変化や市場変数の変化が、リターン分布の変化に効果的に影響を与えるインプットを構築します。 業界標準のトレーディングパイプラインでは、S&P500株8株のインプットを混乱させます。 提案手法では,入出力分布に大きな負の変動をもたらすサンプル内入力設定が検出される。 取引システムにおけるml予測を解釈するメカニズムを金融コミュニティに提供する。 セキュリティコミュニティでは、MLモデルを独立して研究するのではなく、エンドツーエンドのシステムのパフォーマンスをキャプチャする必要がある。 実際,予測モデルの予測誤差だけでは,これらの予測に基づく取引決定が負のリターンをもたらすには不十分であることを示す。

関連論文リスト

• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• 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)
• 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)
• Feature Selection with Annealing for Forecasting Financial Time Series [2.44755919161855]
  本研究では,機械学習(ML)モデルを用いた戦術的入力出力特徴マッピング技術に基づいて,財務時系列を総合的に予測する手法を提案する。 実験の結果,FSAアルゴリズムは問題の種類に関わらず,MLモデルの性能を向上することが示された。
  論文  参考訳（メタデータ） (2023-03-03T21:33:38Z)
• 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)
• Predicting Status of Pre and Post M&A Deals Using Machine Learning and Deep Learning Techniques [0.0]
  リスク仲裁または合併仲裁は、M&A取引の成功を推測する投資戦略である。 事前の取引状況の予測は、リスク仲裁者にとって非常に重要である。 本稿では,買収成功予測問題に対するMLとDLに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-08-05T21:26:45Z)
• When Does Uncertainty Matter?: Understanding the Impact of Predictive Uncertainty in ML Assisted Decision Making [68.19284302320146]
  我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。 その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。 このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
  論文  参考訳（メタデータ） (2020-11-12T02:23:53Z)
• Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
  署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。 さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。 この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-17T14:58:29Z)

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。