論文の概要: Application of Convolutional Neural Networks with Quasi-Reversibility
Method Results for Option Forecasting
- arxiv url: http://arxiv.org/abs/2208.14385v1
- Date: Thu, 25 Aug 2022 04:08:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-04 02:02:35.833268
- Title: Application of Convolutional Neural Networks with Quasi-Reversibility
Method Results for Option Forecasting
- Title(参考訳): 準可逆法による畳み込みニューラルネットワークのオプション予測への応用
- Authors: Zheng Cao, Wenyu Du and Kirill V. Golubnichiy
- Abstract要約: 我々は、92,846社のデータを分析するために、ブラック・スコールズ方程式の新しい経験的数学的モデルを作成し、評価する。
準可逆法 (QRM) を用いて, ある日, 将来のオプション価格を予測し, 逆問題として, 時間内におけるブラック・スコールズ(BS)方程式を解く。
研究の現在の段階は、QRMと畳み込みニューラルネットワーク(CNN)を組み合わせることで、多数のデータポイントを同時に学習する。
- 参考スコア(独自算出の注目度): 11.730033307068405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel way to apply mathematical finance and machine
learning (ML) to forecast stock options prices. Following results from the
paper Quasi-Reversibility Method and Neural Network Machine Learning to
Solution of Black-Scholes Equations (appeared on the AMS Contemporary
Mathematics journal), we create and evaluate new empirical mathematical models
for the Black-Scholes equation to analyze data for 92,846 companies. We solve
the Black-Scholes (BS) equation forwards in time as an ill-posed inverse
problem, using the Quasi-Reversibility Method (QRM), to predict option price
for the future one day. For each company, we have 13 elements including stock
and option daily prices, volatility, minimizer, etc. Because the market is so
complicated that there exists no perfect model, we apply ML to train algorithms
to make the best prediction. The current stage of research combines QRM with
Convolutional Neural Networks (CNN), which learn information across a large
number of data points simultaneously. We implement CNN to generate new results
by validating and testing on sample market data. We test different ways of
applying CNN and compare our CNN models with previous models to see if
achieving a higher profit rate is possible.
- Abstract(参考訳): 本稿では,株価の予測に数学的ファイナンスと機械学習(ML)を適用する新しい手法を提案する。
論文Quasi-Reversibility Method and Neural Network Machine Learning to Solution of Black-Scholes Equations (AMS Contemporary Mathematics Journalに掲載)の結果に続き、92,846社のデータを分析するために、黒-Scholes方程式の新しい経験的数学的モデルを作成し評価する。
準可逆法 (QRM) を用いて, ある日, 将来のオプション価格を予測し, 逆問題として時間内に予測されるブラック・スコールズ方程式を解く。
各企業には、ストックやオプションの日替わり価格、ボラティリティ、最小化など、13の要素があります。
市場が複雑すぎて完璧なモデルが存在しないため、最良の予測を行うためにアルゴリズムのトレーニングにmlを適用する。
研究の現在の段階は、QRMと畳み込みニューラルネットワーク(CNN)を組み合わせることで、多数のデータポイントを同時に学習する。
我々は,サンプル市場データに対する検証とテストにより,新しい結果を生成するためにCNNを実装した。
cnnの適用方法をテストし、cnnモデルを以前のモデルと比較して、高い利益率を達成することができるかどうかを確認します。
関連論文リスト
- Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。
最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文 参考訳(メタデータ) (2024-10-30T17:20:10Z) - Pricing American Options using Machine Learning Algorithms [0.0]
本研究は,モンテカルロシミュレーションを用いて,機械学習アルゴリズムのアメリカ人オプションの価格設定への応用について検討する。
Black-Scholes-Mertonフレームワークのような伝統的なモデルは、しばしばアメリカの選択肢の複雑さに適切に対処できない。
モンテカルロ法とLast Square Methodを併用して機械学習を行った。
論文 参考訳(メタデータ) (2024-09-05T02:52:11Z) - GraphCNNpred: A stock market indices prediction using a Graph based deep learning system [0.0]
我々は,テキストS&textP 500,NASDAQ,DJI,NYSE,RASELの指標の傾向を予測するために,さまざまなデータソースに適用可能なグラフニューラルネットワークベースの畳み込みニューラルネットワーク(CNN)モデルを提案する。
実験の結果,F測度の観点からは,ベースラインアルゴリズム上のすべての指標の予測性能が約4%から15%に向上した。
論文 参考訳(メタデータ) (2024-07-04T09:14:24Z) - A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。
自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
論文 参考訳(メタデータ) (2024-02-08T16:45:01Z) - Predicting Stock Market Time-Series Data using CNN-LSTM Neural Network
Model [0.0]
企業の株式市場のパフォーマンスを予測することは、企業の株価が変化し続けるたびに常に一定ではないため、ほとんど難しい。
データのパターンと特徴を追跡するために、CNN-LSTM Neural Networkを作成できる。
CNN-LSTM NNモデルの精度は,リアルタイムの株式市場データによるトレーニングが許された場合でも高いことがわかった。
論文 参考訳(メタデータ) (2023-05-21T08:00:23Z) - nanoLM: an Affordable LLM Pre-training Benchmark via Accurate Loss Prediction across Scales [65.01417261415833]
我々は,最大更新パラメトリゼーション(muP)がスケーリング法則の正確な適合を可能にするという観測に基づいて,事前学習損失を予測する手法を提案する。
トレーニング前コストの約14%で、52Bまでのモデルの損失を正確に予測できる。
NanoLMのゴールは、限られた資源を持つ研究者が大きなモデルで有意義な結論に達することを可能にすることです。
論文 参考訳(メタデータ) (2023-04-14T00:45:01Z) - 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) - Datamodels: Predicting Predictions from Training Data [86.66720175866415]
本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。
単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
論文 参考訳(メタデータ) (2022-02-01T18:15:24Z) - Neural Capacitance: A New Perspective of Neural Network Selection via
Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。
本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。
我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文 参考訳(メタデータ) (2022-01-11T20:53:15Z) - Low-bit Quantization of Recurrent Neural Network Language Models Using
Alternating Direction Methods of Multipliers [67.688697838109]
本稿では、乗算器の交互方向法(ADMM)を用いて、スクラッチから量子化RNNLMを訓練する新しい手法を提案する。
2つのタスクの実験から、提案されたADMM量子化は、完全な精度ベースライン RNNLM で最大31倍のモデルサイズ圧縮係数を達成したことが示唆された。
論文 参考訳(メタデータ) (2021-11-29T09:30:06Z) - Learning Multiple Stock Trading Patterns with Temporal Routing Adaptor
and Optimal Transport [8.617532047238461]
本稿では,複数の株取引パターンをモデル化し,既存の株価予測モデルを強化するための新しいアーキテクチャであるTemporal Adaptor(TRA)を提案する。
TRAは、複数のパターンを学習するための独立した予測器と、異なる予測器にサンプルをディスパッチするルータで構成される軽量モジュールである。
提案手法は,情報係数を0.053から0.059へ,情報係数を0.051から0.056に改善できることを示す。
論文 参考訳(メタデータ) (2021-06-24T12:19:45Z)
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。