論文の概要: Supervised machine learning classification for short straddles on the
S&P500
- arxiv url: http://arxiv.org/abs/2204.13587v1
- Date: Tue, 26 Apr 2022 15:40:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 14:49:03.438063
- Title: Supervised machine learning classification for short straddles on the
S&P500
- Title(参考訳): S&P500上の短い階層に対する教師付き機械学習分類
- Authors: Alexander Brunhuemer, Lukas Larcher, Philipp Seidl, Sascha Desmettre,
Johannes Kofler and Gerhard Larcher
- Abstract要約: 本稿では,S&P500の短絡を日常的に実行すべきか否かを判断するために,この問題を教師付き分類タスクに分解する。
単純な"取引は常に"戦略に対して統計的に有意なパフォーマンスは見つからないが、今後の実験をどのように進めるかについて、さらなる洞察を得ることができる。
- 参考スコア(独自算出の注目度): 55.74630517879685
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this working paper we present our current progress in the training of
machine learning models to execute short option strategies on the S&P500. As a
first step, this paper is breaking this problem down to a supervised
classification task to decide if a short straddle on the S&P500 should be
executed or not on a daily basis. We describe our used framework and present an
overview over our evaluation metrics on different classification models. In
this preliminary work, using standard machine learning techniques and without
hyperparameter search, we find no statistically significant outperformance to a
simple "trade always" strategy, but gain additional insights on how we could
proceed in further experiments.
- Abstract(参考訳): 本稿では、S&P500の短期オプション戦略を実行するための機械学習モデルのトレーニングの現在の進歩について述べる。
第1段階として,本論文では,S&P500の短絡を日常的に実行すべきか否かを判断するために,この問題を教師付き分類タスクに分解する。
使用済みフレームワークを解説し、異なる分類モデルにおける評価指標について概観する。
この予備的な作業では、標準的な機械学習技術を使用し、ハイパーパラメーター検索を使わずに、単純な"トレーダ常用"戦略に対する統計的に有意なパフォーマンスは見つからないが、さらなる実験を進める方法についてさらなる洞察を得ることができる。
関連論文リスト
- Revisiting Few-Shot Object Detection with Vision-Language Models [54.39740692635763]
FSOD(Few-shot Object Detection)ベンチマークは、アノテーションを限定した新しいカテゴリを検出するための高度な技術を持っている。
我々は,任意の外部データセット上で事前訓練された検出器と,ターゲットクラス毎のKショットに微調整された検出器を評価するための,新しいベンチマークプロトコルであるFoundational FSODを提案する。
論文 参考訳(メタデータ) (2023-12-22T07:42:00Z) - Blueprinting the Future: Automatic Item Categorization using
Hierarchical Zero-Shot and Few-Shot Classifiers [6.907552533477328]
本研究では,ゼロショットおよび少数ショット生成事前学習変換器(GPT)を用いた階層的項目分類手法を提案する。
検査ブループリントの階層的な性質はシームレスにナビゲートされ、複数のレベルの項目を階層的に分類することができる。
人工データによる初期シミュレーションは、この方法の有効性を示し、F1スコアで測定された平均精度92.91%を達成する。
論文 参考訳(メタデータ) (2023-12-06T15:51:49Z) - Geometry-Aware Adaptation for Pretrained Models [15.715395029966812]
本稿では、argmaxをFr'echet平均に置き換え、標準予測規則のドロップイン置換を提案する。
提案したアプローチであるLokiは、ImageNet上のSimCLRよりも29.7%向上しています。
そのような指標が得られない場合、Lokiはクラス埋め込みから自己派生メトリクスを使用でき、事前訓練されたゼロショットモデルの10.5%の改善が得られる。
論文 参考訳(メタデータ) (2023-07-23T04:48:41Z) - Leaving the Nest: Going Beyond Local Loss Functions for
Predict-Then-Optimize [57.22851616806617]
本手法は,文献から得られた4つの領域において,最先端の成果が得られることを示す。
提案手法は, 局所性仮定が破られた場合, 既存手法よりも200%近く性能が向上する。
論文 参考訳(メタデータ) (2023-05-26T11:17:45Z) - Few-shot learning approaches for classifying low resource domain
specific software requirements [1.1470070927586016]
少ないショットラーニング(Few-shot learning)は、いくつかの注釈付きサンプルを使用するディープラーニングの一種である。
我々の実験は、BOSCH自動車ドメインテキストソフトウェア要件を3つのカテゴリに分類することに焦点を当てた。
SciBERTとDeBERTaベースのモデルは15のトレーニングサンプルが最も正確である傾向にあるが、注記サンプルの数がシームズやT5ベースのモデルと比較して50に増加するにつれて、その性能向上は最小限に抑えられる。
論文 参考訳(メタデータ) (2023-02-14T10:19:23Z) - Just Label What You Need: Fine-Grained Active Selection for Perception
and Prediction through Partially Labeled Scenes [78.23907801786827]
提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。
実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
論文 参考訳(メタデータ) (2021-04-08T17:57:41Z) - Conditional Meta-Learning of Linear Representations [57.90025697492041]
表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。
本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。
この利点を実用的に活用できるメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-30T12:02:14Z) - Unsupervised Difficulty Estimation with Action Scores [7.6146285961466]
トレーニング中の各サンプルの損失の蓄積に基づいて,難易度を簡易に算出する手法を提案する。
提案手法では,コールバックとして実装できるため,外部監視も不要である。
論文 参考訳(メタデータ) (2020-11-23T15:18:44Z) - On Learning Text Style Transfer with Direct Rewards [101.97136885111037]
平行コーパスの欠如により、テキストスタイルの転送タスクの教師付きモデルを直接訓練することは不可能である。
我々は、当初、微調整されたニューラルマシン翻訳モデルに使用されていた意味的類似度指標を活用している。
我々のモデルは、強いベースラインに対する自動評価と人的評価の両方において大きな利益をもたらす。
論文 参考訳(メタデータ) (2020-10-24T04:30:02Z)
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。