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

• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• 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 [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)
• 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)
• 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 [11.430440350359993]
  2つの主成分を持つ価格変動予測フレームワークであるLARAを提案する。 LA-Attentionはマスク付きアテンションスキームを通じて潜在的に有益なサンプルを抽出する。 RA-Labelingは、潜在的に利益の出るサンプルのうるさいラベルを洗練させる。 LARAは、Qlibの量的投資プラットフォーム上で、いくつかの機械学習ベースの手法を大幅に上回っている。
  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)

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。