論文の概要: Stock Trading Volume Prediction with Dual-Process Meta-Learning
- arxiv url: http://arxiv.org/abs/2211.01762v1
- Date: Tue, 11 Oct 2022 13:35:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 15:13:25.519110
- Title: Stock Trading Volume Prediction with Dual-Process Meta-Learning
- Title（参考訳）: デュアルプロセスメタラーニングによる株式取引量予測
- Authors: Ruibo Chen, Wei Li, Zhiyuan Zhang, Ruihan Bao, Keiko Harimoto, Xu Sun
- Abstract要約: メタラーニングフレームワークでは,各在庫の予測をひとつのタスクとして扱う2プロセスのメタラーニング手法を提案する。
提案手法は,異なる在庫の背景にある共通パターンをメタラーナーでモデル化し,各在庫の特定のパターンを時間的にモデル化し,ストックに依存したパラメータでモデル化することができる。
- 参考スコア（独自算出の注目度）: 20.588377161807916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Volume prediction is one of the fundamental objectives in the Fintech area,
which is helpful for many downstream tasks, e.g., algorithmic trading. Previous
methods mostly learn a universal model for different stocks. However, this kind
of practice omits the specific characteristics of individual stocks by applying
the same set of parameters for different stocks. On the other hand, learning
different models for each stock would face data sparsity or cold start problems
for many stocks with small capitalization. To take advantage of the data scale
and the various characteristics of individual stocks, we propose a dual-process
meta-learning method that treats the prediction of each stock as one task under
the meta-learning framework. Our method can model the common pattern behind
different stocks with a meta-learner, while modeling the specific pattern for
each stock across time spans with stock-dependent parameters. Furthermore, we
propose to mine the pattern of each stock in the form of a latent variable
which is then used for learning the parameters for the prediction module. This
makes the prediction procedure aware of the data pattern. Extensive experiments
on volume predictions show that our method can improve the performance of
various baseline models. Further analyses testify the effectiveness of our
proposed meta-learning framework.
- Abstract（参考訳）: ボリューム予測はフィンテック地域の基本的な目的の1つであり、アルゴリズム取引など多くの下流業務に役立っている。
以前の手法は、ほとんどが異なる株式の普遍モデルを学ぶ。
しかし、この慣行は、異なる株に対して同じパラメーターを適用することにより、個々の株の特定の特性を省略する。
一方、各株式の異なるモデルを学ぶことは、資本の少ない多くの株式ではデータのスパーシティやコールドスタートの問題に直面する。
データスケールと個々の在庫の諸特性を活用するために,メタラーニングフレームワークの下で,各在庫の予測をひとつのタスクとして扱う2プロセスのメタラーニング手法を提案する。
提案手法は,異なる在庫の背景にある共通パターンをメタラーナーでモデル化し,各在庫の特定のパターンを時間にわたって,ストック依存パラメータでモデル化する。
さらに,予測モジュールのパラメータを学習するために使用される潜在変数の形で,各ストックのパターンをマイニングする。
これにより、予測手順はデータパターンを認識する。
ボリューム予測に関する広範囲な実験により,本手法は様々なベースラインモデルの性能を向上させることができることを示した。
さらに,提案するメタラーニングフレームワークの有効性を検証した。
関連論文リスト
- Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。
我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。
実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
論文 参考訳（メタデータ） (2024-10-24T17:56:08Z) - Some variation of COBRA in sequential learning setup [0.0]
我々は予測の振る舞いに根本的な変化をもたらす特定のデータ前処理技術を用いる。
提案手法は,すべての最先端比較モデルより優れている。
本稿では,暗号通貨,株価指数,短期負荷予測という3つのカテゴリの8つの時系列データセットによる方法論を概説する。
論文 参考訳（メタデータ） (2024-04-07T17:41:02Z) - EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。
EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。
本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文 参考訳（メタデータ） (2023-05-31T13:25:26Z) - An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。
既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。
本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-07T06:50:27Z) - Stock Index Prediction using Cointegration test and Quantile Loss [0.0]
本稿では,情報的要因を選択する場合のリターンの観点から,より良い性能が得られる手法を提案する。
2つのRNN変種と量子損失を比較し, 結合試験により得られた5つの因子について比較した。
実験の結果,提案手法は従来の手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-09-29T16:20:29Z) - Learning an Explicit Hyperparameter Prediction Function Conditioned on
Tasks [62.63852372239708]
メタ学習は、観察されたタスクから機械学習の学習方法論を学び、新しいクエリタスクに一般化することを目的としている。
我々は、これらの学習手法を、全てのトレーニングタスクで共有される明示的なハイパーパラメータ予測関数の学習として解釈する。
このような設定は、メタ学習方法論が多様なクエリタスクに柔軟に適合できることを保証する。
論文 参考訳（メタデータ） (2021-07-06T04:05:08Z) - 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) - Trajectory-wise Multiple Choice Learning for Dynamics Generalization in
Reinforcement Learning [137.39196753245105]
本稿では,動的一般化のためのマルチヘッドダイナミックスモデルを学習するモデルベース強化学習アルゴリズムを提案する。
文脈学習は,過去の経験から得られる動的情報からコンテキスト潜在ベクトルにエンコードする。
提案手法は,最先端のRL法と比較して,様々な制御タスクにおいて優れたゼロショット一般化性能を示す。
論文 参考訳（メタデータ） (2020-10-26T03:20:42Z) - A Primal-Dual Subgradient Approachfor Fair Meta Learning [23.65344558042896]
ショットのメタ学習は、その高速適応能力と、未知のタスクへの精度の一般化で有名である。
そこで本研究では,ごく少数の例を用いて,公正な機械学習モデルのトレーニングを学習するPrimal-Dual Meta-learningフレームワーク,すなわちPDFMを提案する。
論文 参考訳（メタデータ） (2020-09-26T19:47:38Z) - Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。
我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
論文 参考訳（メタデータ） (2020-04-28T09:15:50Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z)
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。