論文の概要: The DEBS 2022 Grand Challenge: Detecting Trading Trends in Financial Tick Data

• arxiv url: http://arxiv.org/abs/2206.13237v1
• Date: Thu, 23 Jun 2022 15:05:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 17:17:58.212434
• Title: The DEBS 2022 Grand Challenge: Detecting Trading Trends in Financial Tick Data
• Title（参考訳）: debs 2022大チャレンジ:金融ダニデータにおけるトレーディングトレンドの検出
• Authors: Sebastian Frischbier, Jawad Tahir, Christoph Doblander, Arne Hormann, Ruben Mayer, Hans-Arno Jacobsen
• Abstract要約: DEBSグランドチャレンジ(英語: DEBS Grand Challenge、GC)は、学界と産業界の両方で開催されるプログラミングコンペティションである。 GC 2022エディションは、Infront Financial Technology GmbHが提供する高ボリュームのTickデータのリアルタイム複合イベント処理に焦点を当てている。 この課題の目標は、特定のトレンド指標を効率的に計算し、実際のトレーダーが金融市場で購入または販売を決定するために使用するような、これらの指標のパターンを検出することである。
• 参考スコア（独自算出の注目度）: 12.714995524410387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The DEBS Grand Challenge (GC) is an annual programming competition open to practitioners from both academia and industry. The GC 2022 edition focuses on real-time complex event processing of high-volume tick data provided by Infront Financial Technology GmbH. The goal of the challenge is to efficiently compute specific trend indicators and detect patterns in these indicators like those used by real-life traders to decide on buying or selling in financial markets. The data set Trading Data used for benchmarking contains 289 million tick events from approximately 5500+ financial instruments that had been traded on the three major exchanges Amsterdam (NL), Paris (FR), and Frankfurt am Main (GER) over the course of a full week in 2021. The data set is made publicly available. In addition to correctness and performance, submissions must explicitly focus on reusability and practicability. Hence, participants must address specific nonfunctional requirements and are asked to build upon open-source platforms. This paper describes the required scenario and the data set Trading Data, defines the queries of the problem statement, and explains the enhancements made to the evaluation platform Challenger that handles data distribution, dynamic subscriptions, and remote evaluation of the submissions.
• Abstract（参考訳）: DEBSグランドチャレンジ(英語: DEBS Grand Challenge、GC)は、学界と産業界の両方で開催されるプログラミングコンペティションである。 GC 2022エディションは、Infront Financial Technology GmbHが提供する高ボリュームのTickデータのリアルタイム複合イベント処理に焦点を当てている。 課題の目的は、特定のトレンド指標を効率的に計算し、実際のトレーダーが金融市場で売買を決めるために使用するような指標のパターンを検出することである。 ベンチマークに使用されるデータには、アムステルダム(NL)、パリ(FR)、フランクフルト・アム・メイン(GER)の3大取引所で2021年の1週間に取引された約5500以上の金融商品の2億9900万件のイベントが含まれている。 データセットは公開されています。 正確性とパフォーマンスに加えて、提出は再利用性と実用性に明示的に焦点を合わせる必要がある。 したがって、参加者は特定の非機能要件に対処し、オープンソースプラットフォーム上に構築するよう求められる。 本稿では,要求されるシナリオとデータセットのトレーディングデータについて述べ,問題文のクエリを定義し,データ配信,動的サブスクリプション,サブミットの遠隔評価を扱う評価プラットフォームであるchallerへの拡張について説明する。

関連論文リスト

• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Job-SDF: A Multi-Granularity Dataset for Job Skill Demand Forecasting and Benchmarking [59.87055275344965]
  Job-SDFは、ジョブスキルの需要予測モデルをトレーニングし、ベンチマークするために設計されたデータセットである。 2021年から2023年にかけて、中国の大手オンライン求人プラットフォームから集められた1035万件の求人広告に基づいている。 本データセットは,職業,企業,地域レベルなど,さまざまな粒度でのスキル需要予測モデルの評価を可能にする。
  論文  参考訳（メタデータ） (2024-06-17T07:22:51Z)
• A Bargaining-based Approach for Feature Trading in Vertical Federated Learning [54.51890573369637]
  本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。 当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
  論文  参考訳（メタデータ） (2024-02-23T10:21:07Z)
• Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
  まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。 次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。 提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-22T22:15:17Z)
• Market-GAN: Adding Control to Financial Market Data Generation with Semantic Context [23.773217528211905]
  現在の財務データセットにはコンテキストラベルは含まれていない。 現在の技術は、文脈を制御として財務データを生成するように設計されていない。 Market-GANは、制御可能な生成をコンテキストで行うためにGAN(Generative Adversarial Networks)を組み込んだ新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2023-09-14T13:42:27Z)
• Dynamic Datasets and Market Environments for Financial Reinforcement Learning [68.11692837240756]
  FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。 我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。 また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
  論文  参考訳（メタデータ） (2023-04-25T22:17:31Z)
• BloombergGPT: A Large Language Model for Finance [42.73350054822628]
  我々は、幅広い財務データに基づいて訓練された500億のパラメータ言語モデルであるBloombergGPTを提示する。 Bloombergの広範囲なデータソースに基づいて,汎用データセットから345億のトークンを付加した,363億のトークンデータセットを構築しました。 我々の混合データセットトレーニングは、財務タスクにおける既存のモデルをかなりのマージンで上回るモデルにつながります。
  論文  参考訳（メタデータ） (2023-03-30T17:30:36Z)
• Predicting Day-Ahead Stock Returns using Search Engine Query Volumes: An Application of Gradient Boosted Decision Trees to the S&P 100 [0.0]
  本論は、金融資本市場における株価の将来のリターンを予測するために、この情報を活用できるかどうかという疑問に答えることを目的としている。 S&P100指数内の株価の異常なリターンと、過去の財務データから得られたラッジした予測値の関係を学習するため、グラデーションアップされた決定ツリーを実装している。 金融と経済のモデリングと予測のためのインターネット利用行動のデータの使用と変換に関するガイダンスを提供する。
  論文  参考訳（メタデータ） (2022-05-31T14:58:46Z)
• FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
  我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。 我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。 その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
  論文  参考訳（メタデータ） (2021-09-01T00:08:14Z)

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。