Fugu-MT 論文翻訳(概要): Quantitative Stock Investment by Routing Uncertainty-Aware Trading Experts: A Multi-Task Learning Approach

論文の概要: Quantitative Stock Investment by Routing Uncertainty-Aware Trading Experts: A Multi-Task Learning Approach

arxiv url: http://arxiv.org/abs/2207.07578v1
Date: Tue, 7 Jun 2022 08:58:00 GMT
ステータス: 処理完了
システム内更新日: 2023-02-10 06:39:02.478267
Title: Quantitative Stock Investment by Routing Uncertainty-Aware Trading Experts: A Multi-Task Learning Approach
Title（参考訳）: 不確実性に配慮したトレーディング専門家による量的株式投資--マルチタスク学習アプローチ
Authors: Shuo Sun, Rundong Wang, Bo An
Abstract要約: 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。
参考スコア（独自算出の注目度）: 29.706515133374193
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantitative investment is a fundamental financial task that highly relies on accurate stock prediction and profitable investment decision making. Despite recent advances in deep learning (DL) have shown stellar performance on capturing trading opportunities in the stochastic stock market, we observe that the performance of existing DL methods is sensitive to random seeds and network initialization. To design more profitable DL methods, we analyze this phenomenon and find two major limitations of existing works. First, there is a noticeable gap between accurate financial predictions and profitable investment strategies. Second, investment decisions are made based on only one individual predictor without consideration of model uncertainty, which is inconsistent with the workflow in real-world trading firms. To tackle these two limitations, we first reformulate quantitative investment as a multi-task learning problem. Later on, we propose AlphaMix, a novel two-stage mixture-of-experts (MoE) framework for quantitative investment to mimic the efficient bottom-up trading strategy design workflow of successful trading firms. In Stage one, multiple independent trading experts are jointly optimized with an individual uncertainty-aware loss function. In Stage two, we train neural routers (corresponding to the role of a portfolio manager) to dynamically deploy these experts on an as-needed basis. AlphaMix is also a universal framework that is applicable to various backbone network architectures with consistent performance gains. Through extensive experiments on long-term real-world data spanning over five years on two of the most influential financial markets (US and China), we demonstrate that AlphaMix significantly outperforms many state-of-the-art baselines in terms of four financial criteria.
Abstract（参考訳）: 量的投資は、正確な株価予測と利益のある投資決定に大きく依存する基本的な財政課題である。近年の深層学習 (DL) の進歩は, 確率的株式市場における取引機会の獲得に輝いているが, 既存のDL手法の性能はランダムシードやネットワーク初期化に敏感である。より有益なdl法を設計するために、この現象を分析し、既存の作品の2つの大きな制限を見つける。まず、正確な財務予測と黒字投資戦略の間には顕著なギャップがある。第2に、投資決定は、実世界の取引会社のワークフローと矛盾するモデルの不確実性を考慮することなく、個々の予測者のみに基づいて行われる。これら2つの制約に取り組むため,我々はまず,マルチタスク学習問題として量的投資を再構成する。後述するAlphaMix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、2段階のミックス・オブ・エキスパート(MoE)フレームワークである。ステージ1では、複数の独立した取引専門家が個別の不確実性認識損失関数と共同で最適化される。ステージ2では、ニューラルネットワークルータ(ポートフォリオマネージャの役割に相当)をトレーニングして、これらの専門家を必要に応じて動的にデプロイします。 alphamixは、さまざまなバックボーンネットワークアーキテクチャに適用可能な、一貫したパフォーマンス向上のためのユニバーサルフレームワークでもある。もっとも影響力のある2つの金融市場(米国と中国)で5年以上にわたる長期的実世界のデータに関する広範な実験を通じて、AlphaMixは4つの金融基準で多くの最先端のベースラインを著しく上回っていることを実証した。

関連論文リスト

Automate Strategy Finding with LLM in Quant investment [4.46212317245124]
ポートフォリオ管理とアルファマイニングにおける定量株式投資のための新しい枠組みを提案する。本稿では,大規模言語モデル(LLM)がマルチモーダル財務データからアルファ因子を抽出する枠組みを提案する。中国株式市場の実験は、この枠組みが最先端のベースラインを大きく上回っていることを示している。
論文参考訳（メタデータ） (2024-09-10T07:42:28Z)
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)
Benchmarking Trustworthiness of Multimodal Large Language Models: A Comprehensive Study [51.19622266249408]
MultiTrustはMLLMの信頼性に関する最初の総合的で統一されたベンチマークである。我々のベンチマークでは、マルチモーダルリスクとクロスモーダルインパクトの両方に対処する厳格な評価戦略を採用している。 21の近代MLLMによる大規模な実験は、これまで調査されなかった信頼性の問題とリスクを明らかにしている。
論文参考訳（メタデータ） (2024-06-11T08:38:13Z)
Combining Deep Learning on Order Books with Reinforcement Learning for Profitable Trading [0.0]
本研究は,注文フローを用いた複数地平線におけるリターン予測と,5つの金融機器を対象とした3つの時間差不均衡学習モデルを訓練することに焦点を当てる。この結果は潜在的な可能性を証明しているが、小売取引コスト、滑り込み、スプレッド・揺らぎを完全に処理するためには、一貫した黒字取引のためのさらなる最小限の修正が必要である。
論文参考訳（メタデータ） (2023-10-24T15:58:58Z)
Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning [5.88864611435337]
本稿では、ポートフォリオ構築とボラティリティに関連する様々な補助的タスクを共同で学習するディープニューラルネットワークアーキテクチャにおいて、Multi-Task Learning(MTL)を用いた新しいアプローチを提案する。最大3点までの取引コストを考慮に入れたとしても,既存のTSMOM戦略よりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-08T13:04:44Z)
E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
論文参考訳（メタデータ） (2023-05-25T10:27:07Z)
Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文参考訳（メタデータ） (2022-10-22T14:47:11Z)
MetaTrader: An Reinforcement Learning Approach Integrating Diverse Policies for Portfolio Optimization [17.759687104376855]
ポートフォリオ管理のための新しい2段階的アプローチを提案する。最初の段階では、強化学習フレームワークに模倣学習を組み込む。第2段階では、メタ政治を学び、市場状況を認識し、従うべき最も適切な学習方針を決定する。
論文参考訳（メタデータ） (2022-09-01T07:58:06Z)
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)
DeepScalper: A Risk-Aware Reinforcement Learning Framework to Capture Fleeting Intraday Trading Opportunities [33.28409845878758]
日内取引のための深層強化学習フレームワークであるDeepScalperを提案する。我々は、DeepScalperが4つの財務基準において、最先端のベースラインを著しく上回っていることを示す。
論文参考訳（メタデータ） (2021-12-15T15:24:02Z)
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。