論文の概要: AlphaMLDigger: A Novel Machine Learning Solution to Explore Excess
Return on Investment
- arxiv url: http://arxiv.org/abs/2206.11072v1
- Date: Wed, 22 Jun 2022 13:37:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 20:40:21.655518
- Title: AlphaMLDigger: A Novel Machine Learning Solution to Explore Excess
Return on Investment
- Title(参考訳): AlphaMLDigger: 投資に対する過剰なリターンを探求する新しい機械学習ソリューション
- Authors: Jimei Shen, Zhehu Yuan, Yifan Jin
- Abstract要約: 本稿では,高度変動市場における過剰なリターンを効果的に見出す2相AlphaMLDiggerを提案する。
フェーズ1では、Sina Microblogのブログを市場感情に転送するディープシーケンシャルなNLPモデルが提案されている。
第2フェーズでは、予測される市場感情と、ソーシャルネットワーク指標の特徴と株式市場履歴の特徴が組み合わされ、株価の動きが予測される。
- 参考スコア(独自算出の注目度): 1.4502611532302039
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How to quickly and automatically mine effective information and serve
investment decisions has attracted more and more attention from academia and
industry. And new challenges have been raised with the global pandemic. This
paper proposes a two-phase AlphaMLDigger that effectively finds excessive
returns in the highly fluctuated market. In phase 1, a deep sequential NLP
model is proposed to transfer blogs on Sina Microblog to market sentiment. In
phase 2, the predicted market sentiment is combined with social network
indicator features and stock market history features to predict the stock
movements with different Machine Learning models and optimizers. The results
show that our AlphaMLDigger achieves higher accuracy in the test set than
previous works and is robust to the negative impact of COVID-19 to some extent.
- Abstract(参考訳): 効果的な情報を迅速かつ自動的にマイニングし、投資決定に役立てる方法は、学界や業界から注目を集めている。
世界的なパンデミックによって 新しい課題が生まれました
本稿では,高度変動市場における過剰リターンを効果的に見出す2相AlphaMLDiggerを提案する。
フェーズ1では、Sina Microblogのブログを市場感情に転送するディープシーケンシャルNLPモデルが提案されている。
フェーズ2では、予測された市場感情とソーシャルネットワーク指標機能と株式市場履歴機能を組み合わせて、異なる機械学習モデルとオプティマイザで株価の動きを予測する。
その結果、AlphaMLDiggerは以前の研究よりも高い精度でテストを行い、ある程度は新型コロナウイルスの負の影響に強いことが判明した。
関連論文リスト
- Stock Market Price Prediction: A Hybrid LSTM and Sequential
Self-Attention based Approach [3.8154633976469086]
LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。
SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。
実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
論文 参考訳(メタデータ) (2023-08-07T14:21:05Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - Quantitative Stock Investment by Routing Uncertainty-Aware Trading
Experts: A Multi-Task Learning Approach [29.706515133374193]
既存のディープラーニング手法はランダムなシードやネットワークルータに敏感であることを示す。
本稿では,成功した取引会社の効果的なボトムアップトレーディング戦略設計ワークフローを模倣する,量的投資のための新しい2段階混成(MoE)フレームワークを提案する。
AlphaMixは4つの財務基準において、最先端のベースラインを大きく上回っている。
論文 参考訳(メタデータ) (2022-06-07T08:58:00Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
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。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Dual-CLVSA: a Novel Deep Learning Approach to Predict Financial Markets
with Sentiment Measurements [11.97251638872227]
本稿では、取引データとそれに対応する社会的感情測定の両方を用いて、個別のシーケンス・ツー・シーケンス・チャネルを通じて、金融市場の動きを予測するための新しい深層学習手法であるDouble-CLVSAを提案する。
その結果、両CLVSAは2種類のデータを効果的に融合させ、感情測定が金融市場の予測に有益であるだけでなく、予測システムの性能を高めるための余分な利益性も備えていることが明らかとなった。
論文 参考訳(メタデータ) (2022-01-27T20:32:46Z) - Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。
模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文 参考訳(メタデータ) (2021-12-08T14:55:21Z) - Trade When Opportunity Comes: Price Movement Forecasting via
Locality-Aware Attention and Iterative Refinement Labeling [9.867012324763524]
本稿では,新しい価格変動予測フレームワークであるLARAを提案する。
LA-Attentionは、ラベル情報に出席することで、潜在的に利益の出るサンプルを自動的に抽出する。
RA-Labelingは、潜在的に利益を得る可能性のあるサンプルのノイズラベルを洗練し、頑丈な予測器を目に見えない、ノイズの多いサンプルと組み合わせる。
論文 参考訳(メタデータ) (2021-07-26T05:52:42Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳(メタデータ) (2021-02-15T07:22:09Z) - Capturing dynamics of post-earnings-announcement drift using genetic
algorithm-optimised supervised learning [3.42658286826597]
PEAD(Post-Earnings-Announcement Drift)は、最も研究されている株式市場の異常の一つである。
代わりに、機械学習ベースのアプローチを使用して、大規模なストックグループのデータを使用してPEADダイナミクスをキャプチャすることを目的としています。
論文 参考訳(メタデータ) (2020-09-07T13:27:06Z) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳(メタデータ) (2020-02-09T08:10:03Z)
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。