論文の概要: Shai-am: A Machine Learning Platform for Investment Strategies
- arxiv url: http://arxiv.org/abs/2207.00436v1
- Date: Fri, 1 Jul 2022 13:59:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-04 14:49:39.361381
- Title: Shai-am: A Machine Learning Platform for Investment Strategies
- Title(参考訳): Shai-am:投資戦略のための機械学習プラットフォーム
- Authors: Jonghun Kwak, Jungyu Ahn, Jinho Lee, Sungwoo Park
- Abstract要約: Shai-amはPythonフレームワークに統合されたオープンソースの機械学習プラットフォームである。
このフレームワークは再利用性と可読性を向上し、定量的研究における協調的な作業を促進するように設計されている。
Shai-amは、金融市場のさまざまなタスクを解決するための、純粋なAIアセットマネージャを目指している。
- 参考スコア(独自算出の注目度): 20.829648804496202
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The finance industry has adopted machine learning (ML) as a form of
quantitative research to support better investment decisions, yet there are
several challenges often overlooked in practice. (1) ML code tends to be
unstructured and ad hoc, which hinders cooperation with others. (2) Resource
requirements and dependencies vary depending on which algorithm is used, so a
flexible and scalable system is needed. (3) It is difficult for domain experts
in traditional finance to apply their experience and knowledge in ML-based
strategies unless they acquire expertise in recent technologies. This paper
presents Shai-am, an ML platform integrated with our own Python framework. The
platform leverages existing modern open-source technologies, managing
containerized pipelines for ML-based strategies with unified interfaces to
solve the aforementioned issues. Each strategy implements the interface defined
in the core framework. The framework is designed to enhance reusability and
readability, facilitating collaborative work in quantitative research. Shai-am
aims to be a pure AI asset manager for solving various tasks in financial
markets.
- Abstract(参考訳): 金融業界は、より良い投資決定を支援するために定量的研究の手段として機械学習(ML)を採用してきたが、実際には見過ごされがちな課題がいくつかある。
1)MLコードは非構造的でアドホックで、他人との協力を妨げる傾向がある。
2) リソース要件と依存関係は,どのアルゴリズムが使用されるかによって異なり,フレキシブルでスケーラブルなシステムが必要である。
3) 従来の金融分野の専門家が,最近の技術の専門知識を得られない限り,mlベースの戦略に自らの経験と知識を適用することは困難である。
本稿では,我々のPythonフレームワークに統合されたMLプラットフォームであるShai-amについて述べる。
このプラットフォームは、既存の現代的なオープンソース技術を活用し、前述の問題を解決するための統一インターフェースを備えたMLベースの戦略のためのコンテナ化されたパイプラインを管理する。
各戦略はコアフレームワークで定義されたインターフェースを実装します。
このフレームワークは再利用性と可読性を高めるために設計されており、定量的研究における協調作業を促進する。
Shai-amは、金融市場のさまざまなタスクを解決するための、純粋なAIアセットマネージャを目指している。
関連論文リスト
- Usable XAI: 10 Strategies Towards Exploiting Explainability in the LLM Era [77.174117675196]
XAIはLarge Language Models (LLM)に拡張されている
本稿では,XAIがLLMやAIシステムにどのようなメリットをもたらすかを分析する。
10の戦略を導入し、それぞれに重要なテクニックを導入し、関連する課題について議論します。
論文 参考訳(メタデータ) (2024-03-13T20:25:27Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and
Character Design [11.913409501633616]
textscFinMemは、金融上の意思決定のために考案された新しいLLMベースのエージェントフレームワークである。
textscFinMemのメモリモジュールは、人間のトレーダーの認知構造と密接に一致し、堅牢な解釈性を提供する。
このフレームワークは、エージェントが専門知識を自己開発し、新しい投資方法にアジャイルに反応し、取引決定を継続的に洗練することを可能にする。
論文 参考訳(メタデータ) (2023-11-23T00:24:40Z) - MLCopilot: Unleashing the Power of Large Language Models in Solving
Machine Learning Tasks [31.733088105662876]
我々は、新しいフレームワークを導入することで、機械学習と人間の知識のギャップを埋めることを目指している。
本稿では、構造化された入力を理解するためのLLMの能力を拡張し、新しいMLタスクを解くための徹底的な推論を行う可能性を示す。
論文 参考訳(メタデータ) (2023-04-28T17:03:57Z) - Analyzing Machine Learning Models for Credit Scoring with Explainable AI
and Optimizing Investment Decisions [0.0]
本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。
この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。
LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
論文 参考訳(メタデータ) (2022-09-19T21:44:42Z) - 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) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳(メタデータ) (2021-08-17T17:44:38Z) - Understanding the Usability Challenges of Machine Learning In
High-Stakes Decision Making [67.72855777115772]
機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。
多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。
児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
論文 参考訳(メタデータ) (2021-03-02T22:50:45Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳(メタデータ) (2021-01-11T15:54:48Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-21T17:14:34Z) - Engineering AI Systems: A Research Agenda [9.84673609667263]
私たちは、企業が機械学習を採用する際に経験する典型的な進化パターンの概念化を提供します。
論文の主なコントリビューションは、MLソリューションを取り巻く重要なエンジニアリング課題の概要を提供する、AIエンジニアリングに関する研究アジェンダである。
論文 参考訳(メタデータ) (2020-01-16T20:29:48Z)
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。