論文の概要: Forecasting Financial Market Structure from Network Features using
Machine Learning
- arxiv url: http://arxiv.org/abs/2110.11751v1
- Date: Fri, 22 Oct 2021 12:51:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-25 21:43:25.763989
- Title: Forecasting Financial Market Structure from Network Features using
Machine Learning
- Title(参考訳): 機械学習によるネットワーク機能からの金融市場構造予測
- Authors: Douglas Castilho, Tharsis T. P. Souza, Soong Moon Kang, Jo\~ao Gama
and Andr\'e C. P. L. F. de Carvalho
- Abstract要約: 機械学習を用いて,リンク型およびノード型金融ネットワークの機能から市場相関構造を予測するモデルを提案する。
本稿では,3つの異なるネットワークフィルタリング手法を用いて市場構造,すなわち動的アセットグラフ(DAG),動的ミニマルスパンニングツリー(DMST),動的スレッショルドネットワーク(DTN)を推定する実験的なエビデンスを提案する。
実験結果から,提案モデルが予測性能の高い市場構造を予測できることを示す。
- 参考スコア(独自算出の注目度): 0.6999740786886535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a model that forecasts market correlation structure from link- and
node-based financial network features using machine learning. For such, market
structure is modeled as a dynamic asset network by quantifying time-dependent
co-movement of asset price returns across company constituents of major global
market indices. We provide empirical evidence using three different network
filtering methods to estimate market structure, namely Dynamic Asset Graph
(DAG), Dynamic Minimal Spanning Tree (DMST) and Dynamic Threshold Networks
(DTN). Experimental results show that the proposed model can forecast market
structure with high predictive performance with up to $40\%$ improvement over a
time-invariant correlation-based benchmark. Non-pair-wise correlation features
showed to be important compared to traditionally used pair-wise correlation
measures for all markets studied, particularly in the long-term forecasting of
stock market structure. Evidence is provided for stock constituents of the
DAX30, EUROSTOXX50, FTSE100, HANGSENG50, NASDAQ100 and NIFTY50 market indices.
Findings can be useful to improve portfolio selection and risk management
methods, which commonly rely on a backward-looking covariance matrix to
estimate portfolio risk.
- Abstract(参考訳): 機械学習を用いて,リンクおよびノードベースの金融ネットワーク機能から市場相関構造を予測するモデルを提案する。
そのため、市場構造は、主要なグローバル市場指標の企業構成員間で時間依存の資産価格リターンのコムーブメントを定量化し、動的資産ネットワークとしてモデル化される。
本稿では,3つの異なるネットワークフィルタリング手法を用いて市場構造,すなわち動的アセットグラフ(DAG),動的ミニマルスパンニングツリー(DMST),動的スレッショルドネットワーク(DTN)を推定する実験的な証拠を提供する。
実験の結果,提案モデルは,時間不変相関に基づくベンチマークと比較して,最大40\%$改善の予測性能の高い市場構造を予測できることがわかった。
非ペアワイド相関特性は、調査対象とする全ての市場、特に長期の株式市場構造予測において、従来使用されていたペアワイド相関指標と比較して重要であることが判明した。
DAX30、EUROSTOXX50、FTSE100、HANGSENG50、NASDAQ100、NIFTY50の銘柄に記載されている。
ポートフォリオの選択やリスク管理方法の改善には,一般的にはポートフォリオのリスクを見積もるために,後方方向の共分散行列に依存する。
関連論文リスト
- MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive
and Dynamic Stock Investment Prediction [22.430266982219496]
マルチリレーショナルな動的グラフニューラルネットワーク(MDGNN)フレームワークを提案する。
提案するMDGNNフレームワークは,SOTA(state-of-the-art-the-art)ストック投資手法と比較して,公開データセットにおける最高のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2024-01-19T02:51:29Z) - ALERTA-Net: A Temporal Distance-Aware Recurrent Networks for Stock
Movement and Volatility Prediction [20.574163667057476]
我々は、株式市場予測の精度を高めるために、世論の豊かな情報源であるソーシャルメディアデータの力を活用している。
我々は、感情分析、マクロ経済指標、検索エンジンデータ、過去の価格をマルチアテンション深層学習モデルに組み込むアプローチを開拓した。
市場の動向とボラティリティの予測のために,私たちによって特別にキュレーションされたデータセットを用いて,提案モデルの最先端性能を示す。
論文 参考訳(メタデータ) (2023-10-28T13:31:39Z) - 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) - 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 Volatility Prediction Using Deep CNNs Trained on Order Flow [0.0]
我々は,市場情報を画像にエンコードし,畳み込みニューラルネットワークを用いて短期的なボラティリティの予測を行うアプローチを採用した。
実験結果から,畳み込みニューラルネットワークによる市場データの予測モデルによる市場データの表現は,市場ダイナミクスをよりよく捉え,ボラティリティの予測を良くする可能性が示唆された。
論文 参考訳(メタデータ) (2023-04-04T12:32:25Z) - 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) - WaveCorr: Correlation-savvy Deep Reinforcement Learning for Portfolio
Management [1.0499611180329804]
深層強化学習(DRL)のための新しいポートフォリオポリシーネットワークアーキテクチャを提案する。
WaveCorrは、年平均リターンで3%-25%改善した他のアーキテクチャを一貫して上回っている。
また,初期資産の順序と重みのランダムな選択による性能の安定度を最大5倍に改善した。
論文 参考訳(メタデータ) (2021-09-14T22:52:46Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳(メタデータ) (2020-12-10T01:15:48Z) - Predictive intraday correlations in stable and volatile market
environments: Evidence from deep learning [2.741266294612776]
我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。
以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。
ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
論文 参考訳(メタデータ) (2020-02-24T17:19:54Z) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳(メタデータ) (2020-02-11T19:18:18Z)
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。