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

• Commodification of Compute [0.0]
  本稿では,GCX(Global Compute Exchange)と呼ばれる,計算時間のコモディフィケーションのための新しいグローバルプラットフォームを提案する。 GCXは、セキュアで透明で効率的な計算パワーの購入と販売のためのマーケットプレースを作成する。 このプラットフォームは、分散化され、効率的で透明なエコシステムを育み、計算資源市場を革新することを目的としています。
  論文  参考訳（メタデータ） (2024-06-27T15:32:31Z)
• Supervised Autoencoder MLP for Financial Time Series Forecasting [0.0]
  この調査は2010年1月1日から2022年4月30日までの取引資産としてS&P500指数、EUR/USD、BTC/USDに焦点を当てている。 具体的には、シャープとインフォメーション比を用いて、ノイズ増大と三重障壁ラベルがリスク調整されたリターンに与える影響を具体的に調べる。 その結果、教師付きオートエンコーダは、バランスの取れたノイズ増大とボトルネックサイズにより、戦略の有効性を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2024-04-02T11:44:37Z)
• 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)
• 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。