論文の概要: Embedding-based neural network for investment return prediction
- arxiv url: http://arxiv.org/abs/2210.00876v1
- Date: Mon, 26 Sep 2022 17:20:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 17:12:09.608098
- Title: Embedding-based neural network for investment return prediction
- Title（参考訳）: 投資リターン予測のための埋め込み型ニューラルネットワーク
- Authors: Jianlong Zhu, Dan Xian, Fengxiao, Yichen Nie
- Abstract要約: 近年,深層学習が急速に発展し,深層学習に基づく投資リターン予測が注目されている。
本稿では,投資のリターンを予測するために,埋込型二重分岐手法を提案する。
その結果,Xgboost,Lightgbm,Catboostに対するアプローチの優位性が示された。
- 参考スコア（独自算出の注目度）: 5.114559245995975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In addition to being familiar with policies, high investment returns also
require extensive knowledge of relevant industry knowledge and news. In
addition, it is necessary to leverage relevant theories for investment to make
decisions, thereby amplifying investment returns. A effective investment return
estimate can feedback the future rate of return of investment behavior. In
recent years, deep learning are developing rapidly, and investment return
prediction based on deep learning has become an emerging research topic. This
paper proposes an embedding-based dual branch approach to predict an
investment's return. This approach leverages embedding to encode the investment
id into a low-dimensional dense vector, thereby mapping high-dimensional data
to a low-dimensional manifold, so that highdimensional features can be
represented competitively. In addition, the dual branch model realizes the
decoupling of features by separately encoding different information in the two
branches. In addition, the swish activation function further improves the model
performance. Our approach are validated on the Ubiquant Market Prediction
dataset. The results demonstrate the superiority of our approach compared to
Xgboost, Lightgbm and Catboost.
- Abstract（参考訳）: 政策に詳しいことに加えて、高い投資リターンには関連する業界知識やニュースに関する広範な知識も必要である。
また、投資に関する理論を活用して意思決定を行い、投資リターンを増幅する必要がある。
効果的な投資リターン推定は、将来の投資行動のリターン率をフィードバックすることができる。
近年,深層学習が急速に発展し,深層学習に基づく投資リターン予測が注目されている。
本稿では,投資収益予測のための埋め込み型デュアルブランチ手法を提案する。
このアプローチでは、投資idを低次元密度ベクトルにエンコードすることで、高次元データを低次元多様体にマッピングすることにより、高次元の特徴を競争的に表現することができる。
さらに、二重分岐モデルは、2つの分岐に異なる情報を別々に符号化することで特徴の分離を実現する。
さらに、スウィッシュ活性化関数はモデル性能をさらに向上させる。
われわれのアプローチはUbiquant Market Predictionデータセットで検証されている。
その結果,Xgboost,Lightgbm,Catboostに対するアプローチの優位性が示された。
関連論文リスト
- 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) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - 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) - Gated Deeper Models are Effective Factor Learners [0.9137554315375922]
2048次元空間においてより有意義な因子を生成する5層ディープニューラルネットワークを提案する。
我々は、最近の3年間の記録で、中国市場から2000種以上の株を評価。
論文 参考訳（メタデータ） (2023-05-18T04:07:47Z) - 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) - An intelligent algorithmic trading based on a risk-return reinforcement
learning algorithm [0.0]
本稿では,改良された深部強化学習アルゴリズムを用いたポートフォリオ最適化モデルを提案する。
提案アルゴリズムはアクター・クリティカル・アーキテクチャに基づいており、クリティカル・ネットワークの主な課題はポートフォリオ累積リターンの分布を学習することである。
Ape-xと呼ばれるマルチプロセスを用いて、深層強化学習訓練の高速化を図る。
論文 参考訳（メタデータ） (2022-08-23T03:20:06Z) - Fuzzy Expert System for Stock Portfolio Selection: An Application to
Bombay Stock Exchange [0.0]
ボンベイ証券取引所(BSE)の株式評価と格付けのためにファジィエキスパートシステムモデルが提案されている。
このモデルの性能は、最近の株のパフォーマンスと比較すると、短期的な投資期間で十分であることが判明した。
論文 参考訳（メタデータ） (2022-04-28T10:01:15Z) - Robo-Advising: Enhancing Investment with Inverse Optimization and Deep
Reinforcement Learning [13.23731449431572]
2つのMLエージェントからなるフルサイクルデータ駆動型投資ロボマネジメントフレームワークを提案する。
提案された投資パイプラインは、2016年4月1日から2021年2月1日までの実際の市場データに適用され、S&P 500ベンチマークポートフォリオを一貫して上回っている。
論文 参考訳（メタデータ） (2021-05-19T17:20:03Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳（メタデータ） (2021-02-15T07:22:09Z) - Deep reinforcement learning for portfolio management based on the
empirical study of chinese stock market [3.5952664589125916]
本論文では,最新の技術である深層強化学習をポートフォリオ管理に適用できることを検証する。
実験では、市場のリターン率を表すCSI300や、ランダムに選択されたCSI500の構成成分など、ランダムに選択されたポートフォリオにモデルを使用。
論文 参考訳（メタデータ） (2020-12-26T16:25:20Z) - 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。