論文の概要: Designing Efficient Pair-Trading Strategies Using Cointegration for the
Indian Stock Market
- arxiv url: http://arxiv.org/abs/2211.07080v1
- Date: Mon, 14 Nov 2022 03:08:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 20:12:00.210494
- Title: Designing Efficient Pair-Trading Strategies Using Cointegration for the
Indian Stock Market
- Title（参考訳）: インド株市場統合による効率の良いペアトレーディング戦略の設計
- Authors: Jaydip Sen
- Abstract要約: 本稿では,インド国立証券取引所(NSE)の5部門に上場する株式を,効率的なペアトレーディングポートフォリオを設計するための統合的アプローチを提案する。
2018年1月1日から2020年12月31日までの株価に基づいて、統合された株が特定され、ペアが形成される。
その結果、自動車部門と不動産部門の株価の対が、概して最も高いリターンを得られることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A pair-trading strategy is an approach that utilizes the fluctuations between
prices of a pair of stocks in a short-term time frame, while in the long-term
the pair may exhibit a strong association and co-movement pattern. When the
prices of the stocks exhibit significant divergence, the shares of the stock
that gains in price are sold (a short strategy) while the shares of the other
stock whose price falls are bought (a long strategy). This paper presents a
cointegration-based approach that identifies stocks listed in the five sectors
of the National Stock Exchange (NSE) of India for designing efficient
pair-trading portfolios. Based on the stock prices from Jan 1, 2018, to Dec 31,
2020, the cointegrated stocks are identified and the pairs are formed. The
pair-trading portfolios are evaluated on their annual returns for the year
2021. The results show that the pairs of stocks from the auto and the realty
sectors, in general, yielded the highest returns among the five sectors studied
in the work. However, two among the five pairs from the information technology
(IT) sector are found to have yielded negative returns.
- Abstract（参考訳）: ペアトレーディング戦略(ペアトレーディングほう、英: pair-trading strategy)は、短期的な時間枠で一対の株式の価格の変動を利用するアプローチであり、長期的には、ペアは強い関連付けと共同行動パターンを示すことができる。
株の価格が著しくばらつきを示す場合には、価格が上がる株の株を売却(短期戦略)し、価格が下がった他の株の株を購入(長期戦略)する。
本稿では,インド国立証券取引所(NSE)の5部門に上場する株式を,効率的なペアトレーディングポートフォリオを設計するための統合的アプローチを提案する。
2018年1月1日から2020年12月31日までの株価に基づいて、統合された株が特定され、ペアが形成される。
ペアトレーディングポートフォリオは、2021年の年間リターンに基づいて評価される。
その結果, 自動車部門と不動産部門の株式の対が, 調査対象5部門の中で最も高いリターンを示した。
しかし、情報技術部門(it)の5組のうち2組は負のリターンをもたらした。
関連論文リスト
- A Comparative Analysis of Portfolio Optimization Using Mean-Variance,
Hierarchical Risk Parity, and Reinforcement Learning Approaches on the Indian
Stock Market [0.0]
本稿では,3つのポートフォリオ最適化手法の性能の比較分析を行う。
ポートフォリオは、いくつかの株価データに基づいてトレーニングされ、テストされ、そのパフォーマンスは、年次リターン、年次リスク、シャープ比率で比較される。
論文 参考訳（メタデータ） (2023-05-27T16:38:18Z) - 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) - Stock Performance Evaluation for Portfolio Design from Different Sectors
of the Indian Stock Market [0.0]
インド経済の6つの重要なセクターから数株の将来の価値を予測しようとした。
効率的なポートフォリオ構築の一環として、複数のポートフォリオ最適化理論を研究した。
選択した6つのセクターすべてに対して、最小限の分散ポートフォリオと最適なリスクポートフォリオを構築しました。
論文 参考訳（メタデータ） (2022-07-01T10:31:03Z) - Stock Portfolio Optimization Using a Deep Learning LSTM Model [1.1470070927586016]
本研究は、2016年1月1日から2020年12月31日まで、インド株式市場の9つの異なるセクターからトップ5の株価を時系列的に分析してきた。
最適ポートフォリオはこれらのセクター毎に構築されます。
各ポートフォリオの予測と実際のリターンは高く,LSTMモデルの高精度性を示している。
論文 参考訳（メタデータ） (2021-11-08T18:41:49Z) - HIST: A Graph-based Framework for Stock Trend Forecasting via Mining
Concept-Oriented Shared Information [73.40830291141035]
近年,Webから抽出したストック概念を用いて共有情報をマイニングし,予測結果を改善する手法が提案されている。
これまでの研究では、ストックとコンセプトのつながりは定常的であり、ストックとコンセプトのダイナミックな関連性を無視していた。
本稿では,事前定義された概念と隠れた概念から,概念指向の共有情報を適切にマイニングできる新しいストックトレンド予測フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-26T14:04:04Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z) - FinGAT: Financial Graph Attention Networks for Recommending Top-K
Profitable Stocks [10.302225525539006]
株価の時系列をモデル化する既存のアプローチでは、株価とセクター間の関係は無視されるか、事前に定義される。
本稿では,この課題に対処するための新しいディープラーニングモデルであるFinancial Graph Attention Networks (FinGAT)を提案する。
台湾株、S&P500およびNASDAQデータセットを用いた実験は、顕著なレコメンデーション性能を示した。
論文 参考訳（メタデータ） (2021-06-18T14:51:14Z) - 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) - Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction
with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。
表現学習によって、私たちはStock2Vecという埋め込みを導きました。
我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-09-29T22:54:30Z) - A Deep Reinforcement Learning Framework for Continuous Intraday Market
Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。
欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。
本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。
その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文 参考訳（メタデータ） (2020-04-13T13:50:13Z) - A new approach for trading based on Long Short Term Memory technique [0.0]
我々は,翌日の閉会価格を予測するために,2時間周波数(年次および日次パラメータ)を含むLong Term Memory(LSTM)モデルを構築した。
オープン・ハイ・ロー・クローズな指標やその他の金融比率に基づいて、このアプローチは株式市場の予測を改善することができることを証明している。
論文 参考訳（メタデータ） (2020-01-10T07:56:30Z)
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。