論文の概要: Transfer Ranking in Finance: Applications to Cross-Sectional Momentum
with Data Scarcity
- arxiv url: http://arxiv.org/abs/2208.09968v2
- Date: Wed, 24 Aug 2022 10:12:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 10:27:00.280451
- Title: Transfer Ranking in Finance: Applications to Cross-Sectional Momentum
with Data Scarcity
- Title（参考訳）: ファイナンスにおけるトランスファーランキング:データ不足を伴う横断的モーメントへの応用
- Authors: Daniel Poh, Stephen Roberts and Stefan Zohren
- Abstract要約: 本稿では,新しいパラメータ共有転送ランキングモデルであるFused Networksを紹介する。
このモデルは、ソースデータセット上で動作するエンコーダアテンションモジュールを用いて抽出された情報を融合する。
これは、不足対象データに対するトレーニングの結果生じる、一般化可能性の低いモデルの問題を緩和する。
- 参考スコア（独自算出の注目度）: 2.3204178451683264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-sectional strategies are a classical and popular trading style, with
recent high performing variants incorporating sophisticated neural
architectures. While these strategies have been applied successfully to
data-rich settings involving mature assets with long histories, deploying them
on instruments with limited samples generally produce over-fitted models with
degraded performance. In this paper, we introduce Fused Encoder Networks -- a
novel and hybrid parameter-sharing transfer ranking model. The model fuses
information extracted using an encoder-attention module operated on a source
dataset with a similar but separate module focused on a smaller target dataset
of interest. This mitigates the issue of models with poor generalisability that
are a consequence of training on scarce target data. Additionally, the
self-attention mechanism enables interactions among instruments to be accounted
for, not just at the loss level during model training, but also at inference
time. Focusing on momentum applied to the top ten cryptocurrencies by market
capitalisation as a demonstrative use-case, the Fused Encoder Networks
outperforms the reference benchmarks on most performance measures, delivering a
three-fold boost in the Sharpe ratio over classical momentum as well as an
improvement of approximately 50% against the best benchmark model without
transaction costs. It continues outperforming baselines even after accounting
for the high transaction costs associated with trading cryptocurrencies.
- Abstract（参考訳）: クロスセクション戦略は古典的で人気のあるトレーディングスタイルであり、最近の高度なニューラルアーキテクチャを取り入れたハイパフォーマンスなバリエーションがある。
これらの戦略は、長い歴史を持つ成熟した資産を含むデータリッチな設定にうまく適用されてきたが、限られたサンプルを持つ機器に配置すると、一般的に性能が低下した過剰なモデルが生成される。
本稿では,新しいパラメータ共有転送ランキングモデルである fused encoder networks を提案する。
このモデルは、ソースデータセットで操作されるエンコーダ-アテンションモジュールを使用して抽出された情報を、関心のあるより小さなターゲットデータセットに焦点を当てた類似だが分離されたモジュールと融合する。
これにより、不足対象データに対するトレーニングの結果生じる一般化性の低いモデルの問題が軽減される。
さらに、自己注意機構により、モデルトレーニング中の損失レベルだけでなく、推論時にも、機器間の相互作用を説明できる。
市場資本化による上位10の暗号通貨に実証的なユースケースとして適用される勢いに着目して、Fused Encoder Networksは、ほとんどのパフォーマンス指標で基準ベンチマークを上回り、古典的な勢いよりもシャープ比が3倍向上し、トランザクションコストのない最高のベンチマークモデルに対して約50%向上した。
暗号通貨取引に伴う高い取引コストを考慮しても、ベースラインを上回り続けている。
関連論文リスト
- Semi-Supervised Reward Modeling via Iterative Self-Training [52.48668920483908]
本稿では,未ラベルデータを用いたRMトレーニングを強化する手法であるSemi-Supervised Reward Modeling (SSRM)を提案する。
SSRMは、追加のラベリングコストを発生させることなく、報酬モデルを大幅に改善することを示した。
全体として、SSRMは、人間が注釈付けした大量のデータへの依存を大幅に減らし、効果的な報酬モデルのトレーニングに要する全体的なコストと時間を削減する。
論文 参考訳（メタデータ） (2024-09-10T22:57:58Z) - 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) - Towards Robust Federated Learning via Logits Calibration on Non-IID Data [49.286558007937856]
Federated Learning(FL)は、エッジネットワークにおける分散デバイスの共同モデルトレーニングに基づく、プライバシ保護のための分散管理フレームワークである。
近年の研究では、FLは敵の例に弱いことが示されており、その性能は著しく低下している。
本研究では,対戦型訓練(AT)フレームワークを用いて,対戦型実例(AE)攻撃に対するFLモデルの堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-03-05T09:18:29Z) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳（メタデータ） (2023-03-24T16:03:21Z) - 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) - Compatible deep neural network framework with financial time series
data, including data preprocessor, neural network model and trading strategy [2.347843817145202]
この研究は、新しいディープニューラルネットワークアーキテクチャと、それらをモデルに供給する前に、財務データをどのように準備するかという新しいアイデアを紹介する。
この手法を評価するために3つの異なるデータセットが使用され、その結果、このフレームワークが有益でロバストな予測を私たちに提供できることが示されている。
論文 参考訳（メタデータ） (2022-05-11T20:44:08Z) - Long Short-Term Memory Neural Network for Financial Time Series [0.0]
株価変動の予測のために,単体および並列長短期記憶ニューラルネットワークのアンサンブルを提案する。
ストレートなトレーディング戦略では、ランダムに選択されたポートフォリオと指数のすべての株を含むポートフォリオを比較すると、LSTMアンサンブルから得られたポートフォリオが平均的なリターンと時間とともに高い累積リターンを提供することを示している。
論文 参考訳（メタデータ） (2022-01-20T15:17:26Z) - 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) - Knowledge-Enriched Distributional Model Inversion Attacks [49.43828150561947]
モデルインバージョン(MI)攻撃は、モデルパラメータからトレーニングデータを再構成することを目的としている。
本稿では,パブリックデータからプライベートモデルに対する攻撃を行うのに役立つ知識を抽出する,新しい反転型GANを提案する。
実験の結果,これらの手法を組み合わせることで,最先端MI攻撃の成功率を150%向上させることができることがわかった。
論文 参考訳（メタデータ） (2020-10-08T16:20:48Z) - DoubleEnsemble: A New Ensemble Method Based on Sample Reweighting and
Feature Selection for Financial Data Analysis [22.035287788330663]
学習軌道に基づくサンプル再重み付けとシャッフルに基づく特徴選択を利用したアンサンブルフレームワークであるDoubleEnsembleを提案する。
我々のモデルは、複雑なパターンを抽出できる幅広い基盤モデルに適用でき、金融市場の予測に過度に適合し、不安定な問題を緩和できる。
論文 参考訳（メタデータ） (2020-10-03T02:57:10Z)
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。