論文の概要: Incorporating Interactive Facts for Stock Selection via Neural Recursive ODEs

• arxiv url: http://arxiv.org/abs/2210.15925v1
• Date: Fri, 28 Oct 2022 06:14:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 17:27:09.635182
• Title: Incorporating Interactive Facts for Stock Selection via Neural Recursive ODEs
• Title（参考訳）: ニューラルネットワークによるストック選択のための対話型ファクトの導入
• Authors: Qiang Gao, Xinzhu Zhou, Kunpeng Zhang, Li Huang, Siyuan Liu, Fan Zhou
• Abstract要約: ガウス事前を持つ潜在変数モデルであるStockODEを提案する。 我々は、ストックボラティリティの時間的進化を捉えるために、ニューラル再帰正規微分方程式ネットワーク(NRODE)を設計する。 2つの実世界の株式市場データセットで実施された実験は、StockODEがいくつか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。
• 参考スコア（独自算出の注目度）: 30.629948593098273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stock selection attempts to rank a list of stocks for optimizing investment decision making, aiming at minimizing investment risks while maximizing profit returns. Recently, researchers have developed various (recurrent) neural network-based methods to tackle this problem. Without exceptions, they primarily leverage historical market volatility to enhance the selection performance. However, these approaches greatly rely on discrete sampled market observations, which either fail to consider the uncertainty of stock fluctuations or predict continuous stock dynamics in the future. Besides, some studies have considered the explicit stock interdependence derived from multiple domains (e.g., industry and shareholder). Nevertheless, the implicit cross-dependencies among different domains are under-explored. To address such limitations, we present a novel stock selection solution -- StockODE, a latent variable model with Gaussian prior. Specifically, we devise a Movement Trend Correlation module to expose the time-varying relationships regarding stock movements. We design Neural Recursive Ordinary Differential Equation Networks (NRODEs) to capture the temporal evolution of stock volatility in a continuous dynamic manner. Moreover, we build a hierarchical hypergraph to incorporate the domain-aware dependencies among the stocks. Experiments conducted on two real-world stock market datasets demonstrate that StockODE significantly outperforms several baselines, such as up to 18.57% average improvement regarding Sharpe Ratio.
• Abstract（参考訳）: 株式選択は投資決定を最適化するために株式のリストをランク付けし、利益を最大化しながら投資リスクを最小化することを目指している。 近年、研究者はこの問題に対処する様々な(繰り返し)ニューラルネットワークベースの手法を開発した。 例外なく、主に歴史的な市場のボラティリティを利用して選択性能を高めている。 しかし、これらのアプローチは、株価変動の不確実性を考慮することや、将来における継続的な株価変動を予測できない、離散的な市場観測に大きく依存している。 また、複数のドメイン(例えば、業界や株主)に由来する明示的な株式相互依存を考える研究もある。 しかし、異なるドメイン間の暗黙的な相互依存は未探索である。 このような制限に対処するため、我々は新しいストックセレクションソリューション -- ガウス前の潜在変数モデルであるストックノッドを提案する。 具体的には,ストックムーブメントに関する時間変動関係を明らかにするために,動き傾向相関モジュールを考案する。 ニューラル再帰的正規微分方程式ネットワーク (NRODE) を設計し, ストックボラティリティの時間的変動を連続的動的に捉えた。 さらに,株式間のドメイン認識依存を組み込むための階層的ハイパーグラフを構築する。 2つの実世界の株式市場データセットで実施した実験は、stockodeがシャープ比に関して18.57%の平均改善など、いくつか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。

関連論文リスト

• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• DGDNN: Decoupled Graph Diffusion Neural Network for Stock Movement Prediction [8.7861010791349]
  本稿では,これらの問題に対処するための知識のない新しいグラフ学習手法を提案する。 まず,信号処理の観点から,エントロピー駆動エッジ生成による動的ストックグラフの自動構築を行う。 最後に, 特徴的階層内特徴を捉えるために, 分離表現学習方式を採用する。
  論文  参考訳（メタデータ） (2024-01-03T17:36:27Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks [3.7608255115473592]
  本稿では,ウェーブレット変換とマルチタスク自己アテンションネットワークを統合した価格-体積係数ストックセレクションモデルであるStockformerを紹介する。 ストックフォーマーは、株価のリターンを高頻度と低頻度に分解し、長期市場の動向と急激な出来事を注意深く捉えている。 実験結果から、Stockformerは複数の実市場データセットにおいて、既存の先進的な手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-23T04:33:47Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Efficient Integration of Multi-Order Dynamics and Internal Dynamics in Stock Movement Prediction [20.879245331384794]
  近年のディープニューラルネットワーク (DNN) 法はハイパーグラフを用いて多次ダイナミクスを捉えるが、畳み込みのフーリエ基底に依存している。 以上の課題を克服するために,ストックムーブメント予測のための枠組みを提案する。 我々の枠組みは、利益と安定性の観点から最先端の手法より優れています。
  論文  参考訳（メタデータ） (2022-11-11T01:58:18Z)
• 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)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)

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。