論文の概要: A Novel Neuromorphic Processors Realization of Spiking Deep
Reinforcement Learning for Portfolio Management
- arxiv url: http://arxiv.org/abs/2203.14159v1
- Date: Sat, 26 Mar 2022 21:31:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 17:23:18.839095
- Title: A Novel Neuromorphic Processors Realization of Spiking Deep
Reinforcement Learning for Portfolio Management
- Title(参考訳): ポートフォリオ管理のためのスパイク深層強化学習を実現する新しいニューロモルフィックプロセッサ
- Authors: Seyyed Amirhossein Saeidi, Forouzan Fallah, Soroush Barmaki, Hamed
Farbeh
- Abstract要約: 本稿では,予測不可能な環境に基づいて金融市場を予測できるスパイク深層強化学習(SDRL)アルゴリズムを提案する。
IntelのLoihiニューロモルフィックプロセッサに最適化され、186xと516xのエネルギー消費削減を提供する。
- 参考スコア(独自算出の注目度): 1.3190581566723918
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The process of continuously reallocating funds into financial assets, aiming
to increase the expected return of investment and minimizing the risk, is known
as portfolio management. Processing speed and energy consumption of portfolio
management have become crucial as the complexity of their real-world
applications increasingly involves high-dimensional observation and action
spaces and environment uncertainty, which their limited onboard resources
cannot offset. Emerging neuromorphic chips inspired by the human brain increase
processing speed by up to 1000 times and reduce power consumption by several
orders of magnitude. This paper proposes a spiking deep reinforcement learning
(SDRL) algorithm that can predict financial markets based on unpredictable
environments and achieve the defined portfolio management goal of profitability
and risk reduction. This algorithm is optimized forIntel's Loihi neuromorphic
processor and provides 186x and 516x energy consumption reduction is observed
compared to the competitors, respectively. In addition, a 1.3x and 2.0x
speed-up over the high-end processors and GPUs, respectively. The evaluations
are performed on cryptocurrency market between 2016 and 2021 the benchmark.
- Abstract(参考訳): 投資のリターンの向上とリスクの最小化を目指す金融資産に資金を継続的に再配分するプロセスは、ポートフォリオマネジメントとして知られている。
ポートフォリオ管理の処理速度とエネルギー消費は、実世界のアプリケーションの複雑さがますます高次元の観察と行動空間と環境の不確実性を伴うようになり、その限られたオンボードリソースが相殺できないため、重要になっている。
人間の脳にインスパイアされた新しいニューロモルフィックチップは、処理速度を最大1000倍に増やし、消費電力を数桁削減する。
本稿では,予測不能な環境に基づいて金融市場を予測し,利益率とリスク低減のポートフォリオ管理目標を達成するskeking deep reinforcement learning (sdrl)アルゴリズムを提案する。
このアルゴリズムはintelのloihiニューロモルフィックプロセッサに最適化されており、競合に比べて186倍と516倍のエネルギー消費削減が観測されている。
さらに、ハイエンドプロセッサとGPUでそれぞれ1.3xと2.0xのスピードアップを行う。
評価は2016年から2021年にかけて仮想通貨市場で行われます。
関連論文リスト
- A quantitative fusion strategy of stock picking and timing based on
Particle Swarm Optimized-Back Propagation Neural Network and Multivariate
Gaussian-Hidden Markov Model [0.0]
本研究は,ストックタイミングとピック戦略を組み合わせた定量的核融合モデルを提案する。
我々はMGHMMが訓練した株と株式市場の状態に基づいて、予測と取引を行う。
本論文で提示する株式の選定とタイミングを取り入れた融合戦略は、金融分析の革新的な技術である。
論文 参考訳(メタデータ) (2023-12-10T04:33:59Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - Learning to Learn Financial Networks for Optimising Momentum Strategies [14.049479722250835]
ネットワークモーメントは、金融ネットワーク内の資産間の相互接続を利用して将来のリターンを予測する、新しいタイプのリスクプレミアムを提供する。
L2GMOMは、金融ネットワークを同時に学習し、取引信号をネットワークのモーメント戦略に最適化するエンド・ツー・エンドの機械学習フレームワークである。
64の継続的な将来の契約に対するバックテストは、ポートフォリオの収益性とリスク管理の大幅な改善を示し、シャープ比は20年にわたって1.74である。
論文 参考訳(メタデータ) (2023-08-23T15:51:29Z) - 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) - Deep Policy Gradient Methods in Commodity Markets [0.0]
トレーダーは流動性を提供し、ボラティリティを下げることで市場の安定化に重要な役割を果たしている。
本論文は,商品取引における深層強化学習手法の有効性について考察する。
論文 参考訳(メタデータ) (2023-06-14T11:50:23Z) - Stock Trading Optimization through Model-based Reinforcement Learning
with Resistance Support Relative Strength [4.322320095367326]
我々は、モデルベース強化学習(MBRL)アルゴリズムにおける行動の正規化用語として、抵抗とサポート(RS)レベルを活用する新しいアプローチを設計する。
提案手法は、新型コロナウイルス(COVID-19)のパンデミック期、金融市場が予測不可能な危機に陥った時に、大きな下落(最大減損)にも耐えられる。
論文 参考訳(メタデータ) (2022-05-30T12:36:48Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳(メタデータ) (2022-03-26T20:37:14Z) - Learning Risk Preferences from Investment Portfolios Using Inverse
Optimization [25.19470942583387]
本稿では,既存ポートフォリオからのリスク嗜好を逆最適化を用いて測定する手法を提案する。
我々は、20年間の資産価格と10年間の相互ファンドポートフォリオ保有からなる実市場データについて、本手法を実証する。
論文 参考訳(メタデータ) (2020-10-04T21:29:29Z) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳(メタデータ) (2020-05-05T07:32:40Z) - A Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳(メタデータ) (2020-04-13T13:50:13Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳(メタデータ) (2020-02-21T02:14:38Z)
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。