論文の概要: Sequential Asset Ranking within Nonstationary Time Series
- arxiv url: http://arxiv.org/abs/2202.12186v1
- Date: Thu, 24 Feb 2022 16:39:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 19:33:32.468866
- Title: Sequential Asset Ranking within Nonstationary Time Series
- Title(参考訳): 非定常時系列における逐次資産ランキング
- Authors: Gabriel Borrageiro, Nick Firoozye, Paolo Barucca
- Abstract要約: 本稿では,ベイズ・アセット・ローダであるエキスパート・アドバイス・フレームワークを用いた予測から,新たなランク付けアルゴリズムを提案する。
我々のアルゴリズムは、最高の総リターンとリスク調整されたリターン、取引コスト、そしてS&P 250の長期保持率を後見で上回ります。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial time series are both autocorrelated and nonstationary, presenting
modelling challenges that violate the independent and identically distributed
random variables assumption of most regression and classification models. The
prediction with expert advice framework makes no assumptions on the
data-generating mechanism yet generates predictions that work well for all
sequences, with performance nearly as good as the best expert with hindsight.
We conduct research using S&P 250 daily sampled data, extending the academic
research into cross-sectional momentum trading strategies. We introduce a novel
ranking algorithm from the prediction with expert advice framework, the naive
Bayes asset ranker, to select subsets of assets to hold in either long-only or
long/short portfolios. Our algorithm generates the best total returns and
risk-adjusted returns, net of transaction costs, outperforming the long-only
holding of the S&P 250 with hindsight. Furthermore, our ranking algorithm
outperforms a proxy for the regress-then-rank cross-sectional momentum trader,
a sequentially fitted curds and whey multivariate regression procedure.
- Abstract(参考訳): 金融時系列は自己相関的かつ非定常的であり、ほとんどの回帰モデルと分類モデルの独立かつ同一に分散されたランダム変数の仮定に反するモデリング上の課題を提示する。
専門家のアドバイスフレームワークによる予測は、データ生成メカニズムに関する仮定をしていないが、すべてのシーケンスでうまく機能する予測を生成する。
s&p 250日単位のサンプルデータを用いて研究を行い,研究成果を横断的モーメント取引戦略に拡張した。
本稿では、ベイズ資産ランキング作成者である専門家助言フレームワークによる予測から、長期的・短期的なポートフォリオに保持する資産のサブセットを選択する新しいランキングアルゴリズムを導入する。
我々のアルゴリズムは、最高の総リターンとリスク調整されたリターン、取引コスト、そしてS&P 250の長期保持率を後見で上回ります。
さらに,本アルゴリズムは,レグレッシブ・テンランク断面運動量トレーダ,シーケンシャルに適合するカード,ホイ多変量回帰手順のプロキシよりも優れる。
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) - 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) - 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) - 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) - Empirical Asset Pricing via Ensemble Gaussian Process Regression [4.111899441919165]
我々のアンサンブル学習アプローチは、GPR推論に固有の計算複雑性を著しく減少させる。
本手法は,統計的,経済的に既存の機械学習モデルを支配している。
これは不確実な投資家にアピールし、S&P500を上回る等級と重み付けの予測対象ポートフォリオを圧倒的に上回っている。
論文 参考訳(メタデータ) (2022-12-02T09:37:29Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Expert Aggregation for Financial Forecasting [0.0]
専門家のオンラインアグリゲーションは、一つのアプローチで有限モデルの予測を組み合わせる。
オンライン専門家の混在は、非定常性によって特徴づけられる環境においても魅力的なポートフォリオパフォーマンスをもたらす。
専門家や専門家の専門化への拡張も提案されており、ポートフォリオ評価指標のファミリー全体の混合を改善する。
論文 参考訳(メタデータ) (2021-11-25T10:43:58Z) - Deep Learning Statistical Arbitrage [0.0]
本稿では,統計的仲裁のための統一的な概念枠組みを提案し,新しいディープラーニングソリューションを開発した。
我々は、条件付き遅延資産価格要素から残余ポートフォリオとして類似資産の仲裁ポートフォリオを構築する。
我々は、これらの残余ポートフォリオの時系列信号を、最も強力な機械学習時系列ソリューションの1つを用いて抽出する。
論文 参考訳(メタデータ) (2021-06-08T00:48:25Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳(メタデータ) (2020-02-27T10:22:17Z)
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。