論文の概要: Uncertainty Aware Trader-Company Method: Interpretable Stock Price
Prediction Capturing Uncertainty
- arxiv url: http://arxiv.org/abs/2210.17030v2
- Date: Wed, 2 Nov 2022 05:04:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 11:49:20.088956
- Title: Uncertainty Aware Trader-Company Method: Interpretable Stock Price
Prediction Capturing Uncertainty
- Title（参考訳）: 不確かさに気付くトレーダー企業法:不確かさを捉えた解釈可能な株価予測
- Authors: Yugo Fujimoto, Kei Nakagawa, Kentaro Imajo, Kentaro Minami
- Abstract要約: トレーダー・コンパニオン・メソッドは高い予測力と解釈可能性を持っている。
不確実性トレーダー・コンパニオン・メソッドは不確実性を捉えます。
方法はベースラインよりも高いリターンと低いリスクを達成する。
- 参考スコア（独自算出の注目度）: 6.776900239715404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning is an increasingly popular tool with some success in
predicting stock prices. One promising method is the Trader-Company~(TC)
method, which takes into account the dynamism of the stock market and has both
high predictive power and interpretability. Machine learning-based stock
prediction methods including the TC method have been concentrating on point
prediction. However, point prediction in the absence of uncertainty estimates
lacks credibility quantification and raises concerns about safety. The
challenge in this paper is to make an investment strategy that combines high
predictive power and the ability to quantify uncertainty. We propose a novel
approach called Uncertainty Aware Trader-Company Method~(UTC) method. The core
idea of this approach is to combine the strengths of both frameworks by merging
the TC method with the probabilistic modeling, which provides probabilistic
predictions and uncertainty estimations. We expect this to retain the
predictive power and interpretability of the TC method while capturing the
uncertainty. We theoretically prove that the proposed method estimates the
posterior variance and does not introduce additional biases from the original
TC method. We conduct a comprehensive evaluation of our approach based on the
synthetic and real market datasets. We confirm with synthetic data that the UTC
method can detect situations where the uncertainty increases and the prediction
is difficult. We also confirmed that the UTC method can detect abrupt changes
in data generating distributions. We demonstrate with real market data that the
UTC method can achieve higher returns and lower risks than baselines.
- Abstract（参考訳）: 機械学習はますます人気の高いツールであり、株価の予測に成功している。
有望な方法の1つは、株式市場のダイナミズムを考慮して高い予測力と解釈能力を持つトレーダー・コンパニ−(tc)法である。
TC法を含む機械学習に基づくストック予測手法は,ポイント予測に集中している。
しかしながら、不確実性推定の欠如によるポイント予測は信頼性の定量化を欠き、安全性への懸念を引き起こす。
本論文の課題は,高い予測能力と不確実性を定量化する能力を組み合わせた投資戦略を作ることである。
本稿では,不確かさを意識するトレーダー・企業手法~(UTC)手法という新しい手法を提案する。
このアプローチの中核となる考え方は、確率論的予測と不確実性推定を提供するTCメソッドと確率論的モデリングを組み合わせることによって、両方のフレームワークの強みを組み合わせることである。
これは不確かさを捉えながら、tc法の予測力と解釈可能性を維持することを期待する。
理論的には,提案手法は後方分散を推定し,元のTC法から追加バイアスを生じさせない。
我々は,合成および実市場データセットに基づくアプローチの包括的評価を行う。
我々は,UTC法が不確実性が増大し,予測が難しい状況を検出することができることを,合成データで確認した。
また,UTC法はデータ生成分布の急激な変化を検出できることを確認した。
我々は,UTC法がベースラインよりも高いリターンとリスクを達成できることを実市場データで示す。
関連論文リスト
- SMURF-THP: Score Matching-based UnceRtainty quantiFication for
Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。
具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。
我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文 参考訳（メタデータ） (2023-10-25T03:33:45Z) - Conservative Predictions on Noisy Financial Data [6.300716661852326]
金融市場の価格変動は、非常に騒々しいことがよく知られている。
従来のルール学習技術は、高精度なルールのみを求め、先行者が適用されない予測を控えるものだった。
我々は、モデルが不確実であるデータポイントの予測を控える、同様のアプローチを適用する。
論文 参考訳（メタデータ） (2023-10-18T09:14:19Z) - 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) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Conformal Prediction for Federated Uncertainty Quantification Under
Label Shift [57.54977668978613]
Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。
我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
論文 参考訳（メタデータ） (2023-06-08T11:54:58Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳（メタデータ） (2022-10-24T17:53:20Z) - A Geometric Method for Improved Uncertainty Estimation in Real-time [13.588210692213568]
ポストホックモデルキャリブレーションは、再トレーニングを必要とせずにモデルの不確実性推定を改善することができる。
我々の研究は不確実性推定のための幾何学的アプローチを推し進めている。
提案手法は,最近提案された手法よりも不確実性評価が優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:18:05Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Evaluation of Machine Learning Techniques for Forecast Uncertainty
Quantification [0.13999481573773068]
アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。
アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。
本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
論文 参考訳（メタデータ） (2021-11-29T16:52:17Z) - Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。
本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。
私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
論文 参考訳（メタデータ） (2020-08-10T17:09:16Z) - Debiased Off-Policy Evaluation for Recommendation Systems [8.63711086812655]
A/Bテストは信頼できるが、時間と費用がかかり、失敗のリスクが伴う。
提案手法は,履歴データに対するアルゴリズムの性能を推定する手法である。
提案手法は,最先端手法よりも平均2乗誤差が小さい。
論文 参考訳（メタデータ） (2020-02-20T02:30:02Z)
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。