論文の概要: ETF Portfolio Construction via Neural Network trained on Financial Statement Data

• arxiv url: http://arxiv.org/abs/2207.01187v1
• Date: Mon, 4 Jul 2022 04:07:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-06 04:13:03.106427
• Title: ETF Portfolio Construction via Neural Network trained on Financial Statement Data
• Title（参考訳）: 財務諸表データに基づくニューラルネットワークによるetfポートフォリオの構築
• Authors: Jinho Lee, Sungwoo Park, Jungyu Ahn, Jonghun Kwak
• Abstract要約: 本稿では,そのコンポーネントの財務諸表データに基づいて取引所のポートフォリオを構築するための新たなアプローチを提案する。 個々の在庫のデータを使って、ニューラルネットワークをトレーニングし、個々の在庫の将来のパフォーマンスを予測する。
• 参考スコア（独自算出の注目度）: 20.829648804496202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, the application of advanced machine learning methods for asset management has become one of the most intriguing topics. Unfortunately, the application of these methods, such as deep neural networks, is difficult due to the data shortage problem. To address this issue, we propose a novel approach using neural networks to construct a portfolio of exchange traded funds (ETFs) based on the financial statement data of their components. Although a number of ETFs and ETF-managed portfolios have emerged in the past few decades, the ability to apply neural networks to manage ETF portfolios is limited since the number and historical existence of ETFs are relatively smaller and shorter, respectively, than those of individual stocks. Therefore, we use the data of individual stocks to train our neural networks to predict the future performance of individual stocks and use these predictions and the portfolio deposit file (PDF) to construct a portfolio of ETFs. Multiple experiments have been performed, and we have found that our proposed method outperforms the baselines. We believe that our approach can be more beneficial when managing recently listed ETFs, such as thematic ETFs, of which there is relatively limited historical data for training advanced machine learning methods.
• Abstract（参考訳）: 近年,アセットマネジメントにおける高度な機械学習手法の適用が,最も興味をそそる話題となっている。 残念ながら、深層ニューラルネットワークのようなこれらの手法の適用は、データ不足の問題のために困難である。 この問題に対処するために,ニューラルネットワークを用いた新たなアプローチを提案し,そのコンポーネントの財務諸表データに基づいて交換取引資金(ETF)のポートフォリオを構築する。 過去数十年間、etfとetf管理ポートフォリオが数多く出現しているが、etfポートフォリオを管理するためにニューラルネットワークを適用する能力は、etfの数と歴史的存在がそれぞれ個々の株式よりも比較的小さく短いため、限られている。 したがって、個々の在庫のデータを用いてニューラルネットワークをトレーニングし、個々の在庫の将来のパフォーマンスを予測し、これらの予測とポートフォリオ預金ファイル(PDF)を使用してETFのポートフォリオを構築する。 複数の実験が実施されており,提案手法がベースラインより優れていることがわかった。 高度な機械学習手法をトレーニングするための履歴データが比較的限られているthematic etfsのような最近リストアップされたetfを管理する場合、このアプローチはより有益であると信じています。

関連論文リスト

• Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
  これはリスクの高い企業を取り入れ、ポートフォリオの最適化に全企業を使う最初の研究だ。 グラフ注意ネットワーク(GAT)を利用した新しい手法の提案と実証試験を行った。 GATは、ネットワークデータを利用して非線形関係を明らかにするディープラーニングベースのモデルである。
  論文  参考訳（メタデータ） (2024-07-22T10:50:47Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• Optimizing Portfolio Management and Risk Assessment in Digital Assets Using Deep Learning for Predictive Analysis [5.015409508372732]
  本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。 この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。 異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
  論文  参考訳（メタデータ） (2024-02-25T05:23:57Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• Show me your NFT and I tell you how it will perform: Multimodal representation learning for NFT selling price prediction [2.578242050187029]
  非Fungible Tokens(NFT)は、ブロックチェーン技術とスマートコントラクトに基づく、デジタルアートフォーム(アートワークやコレクションブルなど)上のユニークな暗号資産の所有権の行為を表す。 我々は,NFT画像とテキストのコレクション上に,グラフニューラルネットワークモデルとともにトランスフォーマーベースの言語と視覚モデルをトレーニングするために設計された,新しいマルチモーダルディープラーニングフレームワークであるMERLINを提案する。 MERLINの重要な側面は、NFTトレーディングに関心のあるユーザが処理したいプライマリデータのみを利用するため、金融機能に対する独立性である。
  論文  参考訳（メタデータ） (2023-02-03T11:56:38Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Forex Trading Volatility Prediction using Neural Network Models [6.09960572440709]
  本研究では,日々のボラティリティに関する経験的パターンのガイダンスを用いて,ディープラーニングネットワークの構築方法について述べる。 数値計算の結果,多値ペアの入力によるマルチスケール長短期メモリ(LSTM)モデルが常に最先端の精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2021-12-02T12:33:12Z)
• Evaluating data augmentation for financial time series classification [85.38479579398525]
  2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。 比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。 より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
  論文  参考訳（メタデータ） (2020-10-28T17:53:57Z)
• Neural Network-based Automatic Factor Construction [58.96870869237197]
  本稿ではニューラルネットワークを用いた自動ファクタ構築(NNAFC)を提案する。 NNAFCは、金融分野の知識に基づいて、様々な金融要因を自動構築することができる。 NNAFCによって構築された新しい要因は、常にリターン、シャープ比、多要素量的投資戦略の最大引き出しを改善することができる。
  論文  参考訳（メタデータ） (2020-08-14T07:44:49Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

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。