論文の概要: Optimizing Stock Option Forecasting with the Assembly of Machine
Learning Models and Improved Trading Strategies
- arxiv url: http://arxiv.org/abs/2211.15912v1
- Date: Tue, 29 Nov 2022 04:01:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 17:52:22.737389
- Title: Optimizing Stock Option Forecasting with the Assembly of Machine
Learning Models and Improved Trading Strategies
- Title(参考訳): 機械学習モデルの構築と取引戦略の改善によるストックオプション予測の最適化
- Authors: Zheng Cao, Raymond Guo, Wenyu Du, Jiayi Gao, Kirill V. Golubnichiy
- Abstract要約: 本稿では、機械学習(ML)モデルの適用、取引戦略の改善、ストックオプション予測と取引結果の最適化のための準可逆法(QRM)について紹介する。
- 参考スコア(独自算出の注目度): 9.553857741758742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduced key aspects of applying Machine Learning (ML) models,
improved trading strategies, and the Quasi-Reversibility Method (QRM) to
optimize stock option forecasting and trading results. It presented the
findings of the follow-up project of the research "Application of Convolutional
Neural Networks with Quasi-Reversibility Method Results for Option
Forecasting". First, the project included an application of Recurrent Neural
Networks (RNN) and Long Short-Term Memory (LSTM) networks to provide a novel
way of predicting stock option trends. Additionally, it examined the dependence
of the ML models by evaluating the experimental method of combining multiple ML
models to improve prediction results and decision-making. Lastly, two improved
trading strategies and simulated investing results were presented. The Binomial
Asset Pricing Model with discrete time stochastic process analysis and
portfolio hedging was applied and suggested an optimized investment
expectation. These results can be utilized in real-life trading strategies to
optimize stock option investment results based on historical data.
- Abstract(参考訳): 本稿では、機械学習(ML)モデルの適用、取引戦略の改善、ストックオプション予測と取引結果の最適化のための準可逆法(QRM)について紹介する。
本研究は,「準可逆性を用いた畳み込みニューラルネットワークのオプション予測への応用」という研究のフォローアッププロジェクトの成果を提示した。
まず、プロジェクトは、ストックオプショントレンドを予測する新しい方法を提供するために、リカレントニューラルネットワーク(rnn)とlong short-term memory(lstm)ネットワークの応用を含む。
さらに、複数のMLモデルを組み合わせて予測結果と意思決定を改善する実験手法の評価により、MLモデルの依存度を検討した。
最後に、2つの改良された取引戦略とシミュレーション投資結果が提示された。
離散時間確率過程分析とポートフォリオヘッジを用いた二項資産価格モデルを適用し,最適化投資期待の提案を行った。
これらの結果は、実生活におけるトレーディング戦略において、過去のデータに基づくストックオプション投資結果の最適化に利用することができる。
関連論文リスト
- A quantitative fusion strategy of stock picking and timing based on
Particle Swarm Optimized-Back Propagation Neural Network and Multivariate
Gaussian-Hidden Markov Model [0.0]
本研究は,ストックタイミングとピック戦略を組み合わせた定量的核融合モデルを提案する。
我々はMGHMMが訓練した株と株式市場の状態に基づいて、予測と取引を行う。
本論文で提示する株式の選定とタイミングを取り入れた融合戦略は、金融分析の革新的な技術である。
論文 参考訳(メタデータ) (2023-12-10T04:33:59Z) - 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) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - Truncating Trajectories in Monte Carlo Reinforcement Learning [48.97155920826079]
強化学習(RL)において、エージェントは未知の環境で動作し、外部報酬信号の期待累積割引和を最大化する。
我々は,異なる長さの軌跡の収集につながるアプリオリ予算配分戦略を提案する。
軌道の適切な切り離しが性能向上に成功することを示す。
論文 参考訳(メタデータ) (2023-05-07T19:41:57Z) - Empirical Asset Pricing via Ensemble Gaussian Process Regression [4.111899441919165]
我々のアンサンブル学習アプローチは、GPR推論に固有の計算複雑性を著しく減少させる。
本手法は,統計的,経済的に既存の機械学習モデルを支配している。
これは不確実な投資家にアピールし、S&P500を上回る等級と重み付けの予測対象ポートフォリオを圧倒的に上回っている。
論文 参考訳(メタデータ) (2022-12-02T09:37:29Z) - Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo
sampling [58.14878401145309]
PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。
Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
論文 参考訳(メタデータ) (2022-05-12T11:15:47Z) - Machine Learning for Stock Prediction Based on Fundamental Analysis [13.920569652186714]
フィードフォワードニューラルネットワーク(FNN)、ランダムフォレスト(RF)、適応型ニューラルファジィ推論システム(ANFIS)の3つの機械学習アルゴリズムについて検討する。
RFモデルは最高の予測結果を達成し,FNNとANFISのテスト性能を向上させることができる。
この結果から, 機械学習モデルは, 株式投資に関する意思決定において, 基礎アナリストの助けとなる可能性が示唆された。
論文 参考訳(メタデータ) (2022-01-26T18:48:51Z) - 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) - Profitability Analysis in Stock Investment Using an LSTM-Based Deep
Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。
特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。
インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文 参考訳(メタデータ) (2021-04-06T11:09:51Z) - 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。