論文の概要: Expert Aggregation for Financial Forecasting
- arxiv url: http://arxiv.org/abs/2111.15365v2
- Date: Wed, 1 Dec 2021 07:28:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 01:23:23.434431
- Title: Expert Aggregation for Financial Forecasting
- Title(参考訳): 金融予測のためのエキスパートアグリゲーション
- Authors: Carl Remlinger, Bri\`ere Marie, Alasseur Cl\'emence, Joseph Mikael
- Abstract要約: 本稿では,複数の機械学習技術を組み合わせたオンラインアグリゲーションベースの予測モデルを用いて,市場環境に適応するポートフォリオを構築することを提案する。
我々は,アグリゲーションが単一アルゴリズムよりも性能と安定性の両方で優れていることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning algorithms dedicated to financial time series forecasting
have gained a lot of interest over the last few years. One difficulty lies in
the choice between several algorithms, as their estimation accuracy may be
unstable through time. In this paper, we propose to apply an online
aggregation-based forecasting model combining several machine learning
techniques to build a portfolio which dynamically adapts itself to market
conditions. We apply this aggregation technique to the construction of a
long-short-portfolio of individual stocks ranked on their financial
characteristics and we demonstrate how aggregation outperforms single
algorithms both in terms of performances and of stability.
- Abstract(参考訳): 金融時系列予測に特化した機械学習アルゴリズムは、ここ数年で大きな関心を集めている。
一つの難点は、複数のアルゴリズムの選択であり、その推定精度は時間とともに不安定である。
本稿では,複数の機械学習技術を組み合わせて,市場条件に動的に適応するポートフォリオを構築するオンライン集約型予測モデルを提案する。
この集約手法を,財務特性にランク付けされた個人株の長期的ポートフォリオ構築に適用し,パフォーマンスと安定性の両面において,集約がシングルアルゴリズムより優れていることを示す。
関連論文リスト
- Loss Shaping Constraints for Long-Term Time Series Forecasting [86.6877920044998]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T18:20:44Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - On Least Squares Estimation in Softmax Gating Mixture of Experts [85.61224527426624]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。
我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。
本研究は,専門家の選択に重要な意味を持つ。
論文 参考訳(メタデータ) (2024-02-05T12:31:18Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳(メタデータ) (2023-05-01T20:04:46Z) - 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) - MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time
Series [11.826510794042548]
我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。
集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。
異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
論文 参考訳(メタデータ) (2021-12-22T05:05:30Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳(メタデータ) (2021-10-07T11:58:35Z) - Ensembles of Randomized NNs for Pattern-based Time Series Forecasting [0.0]
本稿では,ランダム化ニューラルネットワークに基づくアンサンブル予測手法を提案する。
時系列のパターンに基づく表現は、複数の季節の時系列を予測するのに適している。
4つの実世界の予測問題に対するケーススタディにより,提案手法の有効性と性能が検証された。
論文 参考訳(メタデータ) (2021-07-08T20:13:50Z) - MegazordNet: combining statistical and machine learning standpoints for
time series forecasting [0.4061135251278187]
MegazordNetは、時系列予測のための構造化ディープラーニングモデルと組み合わせて、金融シリーズ内の統計的特徴を探求するフレームワークである。
我々は,S&P500株の終値を予測する手法の評価を行った。
論文 参考訳(メタデータ) (2021-06-23T15:06:54Z) - 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) - Gaussian Experts Selection using Graphical Models [7.530615321587948]
ローカル近似は、元のデータセットをサブセットに分割し、各サブセットでローカル専門家を訓練することで、時間の複雑さを低減する。
我々は、専門家間の条件依存を符号化するスパース精度行列を用いて、非方向性のグラフィカルモデルに関する文献からのテクニックを活用し、最も重要な専門家を選択する。
論文 参考訳(メタデータ) (2021-02-02T14:12:11Z)
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。