論文の概要: Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets

• arxiv url: http://arxiv.org/abs/2203.03613v1
• Date: Mon, 7 Mar 2022 18:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 18:25:45.068410
• Title: Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets
• Title（参考訳）: 制限順序ブックマーケットにおける中間価格ダイナミクス予測のためのベイズバイリニアニューラルネットワーク
• Authors: Martin Magris, Mostafa Shabani, Alexandros Iosifidis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 84.90242084523565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The prediction of financial markets is a challenging yet important task. In modern electronically-driven markets traditional time-series econometric methods often appear incapable of capturing the true complexity of the multi-level interactions driving the price dynamics. While recent research has established the effectiveness of traditional machine learning (ML) models in financial applications, their intrinsic inability in dealing with uncertainties, which is a great concern in econometrics research and real business applications, constitutes a major drawback. Bayesian methods naturally appear as a suitable remedy conveying the predictive ability of ML methods with the probabilistically-oriented practice of econometric research. By adopting a state-of-the-art second-order optimization algorithm, we train a Bayesian bilinear neural network with temporal attention, suitable for the challenging time-series task of predicting mid-price movements in ultra-high-frequency limit-order book markets. By addressing the use of predictive distributions to analyze errors and uncertainties associated with the estimated parameters and model forecasts, we thoroughly compare our Bayesian model with traditional ML alternatives. Our results underline the feasibility of the Bayesian deep learning approach and its predictive and decisional advantages in complex econometric tasks, prompting future research in this direction.
• Abstract（参考訳）: 金融市場の予測は困難だが重要な課題である。 現代の電子駆動市場では、伝統的な時系列計量法は価格のダイナミクスを駆動する多レベル相互作用の真の複雑さを捉えることができないように見える。 近年の研究では、金融アプリケーションにおける従来の機械学習(ml)モデルの有効性が確立されているが、不確実性を扱う本質的な能力の欠如は、econometrics researchや実際のビジネスアプリケーションにおいて大きな関心事となっている。 ベイズ的手法は自然に、確率論的に指向したエコノメトリー研究の実践でML手法の予測能力を伝達する適切な治療法として現れる。 最先端の2次最適化アルゴリズムを採用することで、超高頻度のリミテッドオーダーブックマーケットにおける中価格変動を予測するための挑戦的な時系列タスクに適した、時間的注意を伴うベイズバイリニア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。 本研究は,ベイズ深層学習手法の実現可能性と,複雑な計量的タスクにおける予測的・決定的優位性について述べる。

関連論文リスト

• Transfer learning for financial data predictions: a systematic review [0.0]
  金融時系列データは、正確な株価予測に重大な課題を提起する。 伝統的な統計手法は、線形性や正規性といった仮定を、金融時系列の非線形の性質には適さないものとした。 機械学習の方法論は、データ内の非線形関係をキャプチャすることができる。
  論文  参考訳（メタデータ） (2024-09-24T20:52:32Z)
• Experimental Analysis of Deep Hedging Using Artificial Market Simulations for Underlying Asset Simulators [0.7329727526222747]
  本研究は, 人工市場シミュレーションを基盤とした深層加熱における資産シミュレーションに応用した新しいアプローチを提案する。 提案手法の有効性を従来の手法との比較により検討した。 その結果,提案手法は従来の手法とほぼ同等の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-04-15T05:11:07Z)
• DiffSTOCK: Probabilistic relational Stock Market Predictions using Diffusion Models [1.9662978733004601]
  我々は、歴史的金融指標とストック間関係を前提とした、より良い市場予測を提供するためのアーキテクチャを開発する。 また,Masked Transformer (RTM) を用いて,ストック間関係と歴史的ストックの特徴を生かした新しい決定論的アーキテクチャ MTCHS を提供する。
  論文  参考訳（メタデータ） (2024-03-21T01:20:32Z)
• Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
  本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。 本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
  論文  参考訳（メタデータ） (2023-12-31T16:38:32Z)
• 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)
• Recurrent neural network based parameter estimation of Hawkes model on high-frequency financial data [0.0]
  本研究では,高頻度財務データに基づくホークスモデルのパラメータ推定にリカレントニューラルネットワークを用いることを検討した。 提案手法は,従来の最大推定法に比べて計算性能が大幅に向上することを示す。 本手法のリアルタイムなボラティリティ測定への応用を実証し,新たな価格データが市場から来るにつれて,金融ボラティリティの連続的な評価を可能にする。
  論文  参考訳（メタデータ） (2023-04-24T07:51:11Z)
• 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)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• ARISE: ApeRIodic SEmi-parametric Process for Efficient Markets without Periodogram and Gaussianity Assumptions [91.3755431537592]
  我々は、効率的な市場を調査するためのApeRI-miodic(ARISE)プロセスを提案する。 ARISEプロセスは、いくつかの既知のプロセスの無限サムとして定式化され、周期スペクトル推定を用いる。 実際に,実世界の市場の効率性を明らかにするために,ARISE関数を適用した。
  論文  参考訳（メタデータ） (2021-11-08T03:36:06Z)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)

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。