論文の概要: DNN-ForwardTesting: A New Trading Strategy Validation using Statistical
Timeseries Analysis and Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2210.11532v1
- Date: Thu, 20 Oct 2022 19:00:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 16:23:03.520193
- Title: DNN-ForwardTesting: A New Trading Strategy Validation using Statistical
Timeseries Analysis and Deep Neural Networks
- Title（参考訳）: DNN-ForwardTesting:統計履歴解析とディープニューラルネットワークを用いた新しい取引戦略検証
- Authors: Ivan Letteri, Giuseppe Della Penna, Giovanni De Gasperis, Abeer Dyoub
- Abstract要約: 我々はDNN-forwardtestingと呼ばれる新しいトレーディング戦略を提案し、ディープニューラルネットワークによって予測される将来についてテストすることで適用戦略を決定する。
我々の取引システムは、DNNの予測に適用することで最も効果的な技術指標を計算し、そのような指標を使って取引を誘導する。
- 参考スコア（独自算出の注目度）: 0.6882042556551609
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In general, traders test their trading strategies by applying them on the
historical market data (backtesting), and then apply to the future trades the
strategy that achieved the maximum profit on such past data.
In this paper, we propose a new trading strategy, called DNN-forwardtesting,
that determines the strategy to apply by testing it on the possible future
predicted by a deep neural network that has been designed to perform stock
price forecasts and trained with the market historical data.
In order to generate such an historical dataset, we first perform an
exploratory data analysis on a set of ten securities and, in particular,
analize their volatility through a novel k-means-based procedure. Then, we
restrict the dataset to a small number of assets with the same volatility
coefficient and use such data to train a deep feed-forward neural network that
forecasts the prices for the next 30 days of open stocks market. Finally, our
trading system calculates the most effective technical indicator by applying it
to the DNNs predictions and uses such indicator to guide its trades.
The results confirm that neural networks outperform classical statistical
techniques when performing such forecasts, and their predictions allow to
select a trading strategy that, when applied to the real future, increases
Expectancy, Sharpe, Sortino, and Calmar ratios with respect to the strategy
selected through traditional backtesting.
- Abstract（参考訳）: 一般に、トレーダーは過去の市場データ(バックテスト)にトレーディング戦略を適用してトレーディング戦略をテストし、将来のトレーディングには、過去のデータで最大利益を達成した戦略を適用する。
本稿では,株価予測を行い,市場史データを用いてトレーニングした深層ニューラルネットワークによって予測される可能性に基づいて,適用戦略を決定するdnn-forwardtestingと呼ばれる新たな取引戦略を提案する。
このような歴史的データセットを生成するために,まず10の証券について探索的データ分析を行い,特に新しいk-means法を用いてその変動性を評価する。
そして、データセットを、同じ変動係数を持つ少数の資産に制限し、そのようなデータを使用して、次の30日間の公開株式市場の価格を予測するディープフィードフォワードニューラルネットワークをトレーニングする。
最後に、DNNの予測に適用することで、最も効果的な技術指標を計算し、そのような指標を用いて取引を案内する。
その結果、ニューラルネットワークが従来の統計的手法よりも優れていることが確認され、その予測は、実際の未来に適用すると、従来のバックテストによって選択された戦略に対して、期待、シャープ、ソーティノ、穏やかな比率を増加させる取引戦略を選択することができる。
関連論文リスト
- 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) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - 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) - NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative
Trading [0.0]
NoxTraderはポートフォリオの構築と取引実行のために設計された洗練されたシステムである。
NoxTraderの基本的な学習プロセスは、歴史的取引データから得られた貴重な洞察の同化に根ざしている。
厳密な特徴工学と予測対象の選択により,0.65から0.75の範囲の顕著な相関範囲で予測データを生成することができる。
論文 参考訳（メタデータ） (2023-10-01T17:53:23Z) - Data Cross-Segmentation for Improved Generalization in Reinforcement
Learning Based Algorithmic Trading [5.75899596101548]
本稿では,学習した予測モデルからの信号に基づいて処理を行う強化学習(RL)アルゴリズムを提案する。
われわれのアルゴリズムは、ブルサ・マレーシアの20年以上のエクイティデータに基づいてテストしている。
論文 参考訳（メタデータ） (2023-07-18T16:00:02Z) - Stock Price Prediction Using Temporal Graph Model with Value Chain Data [3.1641827542160805]
本稿では,Long Short-Term Memory Graph Convolutional Neural Network (LSTM-GCN)モデルを提案する。
本実験により,LSTM-GCNモデルでは,価格データに完全に反映されていないバリューチェーンデータから付加的な情報を取得することができることが示された。
論文 参考訳（メタデータ） (2023-03-07T17:24:04Z) - 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) - 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) - Financial Markets Prediction with Deep Learning [11.26482563151052]
金融市場の動きを予測する新しい1次元畳み込みニューラルネットワーク(CNN)モデルを提案する。
カスタマイズされた1次元畳み込み層は、時間を通じて金融取引データをスキャンし、価格やボリュームなどの異なる種類のデータ、共有パラメータ(カーネル)を互いに共有する。
我々のモデルは従来の技術指標の代わりに自動的に特徴を抽出する。
論文 参考訳（メタデータ） (2021-04-05T19:36:48Z) - 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 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。