論文の概要: Novel Modelling Strategies for High-frequency Stock Trading Data
- arxiv url: http://arxiv.org/abs/2212.00148v1
- Date: Wed, 30 Nov 2022 22:50:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 17:24:21.175782
- Title: Novel Modelling Strategies for High-frequency Stock Trading Data
- Title(参考訳): 高周波株式取引データのための新規モデリング戦略
- Authors: Xuekui Zhang, Yuying Huang, Ke Xu and Li Xing
- Abstract要約: 生データ処理のための3つの新しいモデリング手法を提案する。
我々は、我々の戦略が予測の統計的に顕著な改善につながることをしばしば示している。
3つの戦略はSVMモデルのF1スコアをそれぞれ0.056、0.087、0.016で改善する。
- 参考スコア(独自算出の注目度): 4.639889477442706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Full electronic automation in stock exchanges has recently become popular,
generating high-frequency intraday data and motivating the development of near
real-time price forecasting methods. Machine learning algorithms are widely
applied to mid-price stock predictions. Processing raw data as inputs for
prediction models (e.g., data thinning and feature engineering) can primarily
affect the performance of the prediction methods. However, researchers rarely
discuss this topic. This motivated us to propose three novel modelling
strategies for processing raw data. We illustrate how our novel modelling
strategies improve forecasting performance by analyzing high-frequency data of
the Dow Jones 30 component stocks. In these experiments, our strategies often
lead to statistically significant improvement in predictions. The three
strategies improve the F1 scores of the SVM models by 0.056, 0.087, and 0.016,
respectively.
- Abstract(参考訳): 証券取引所における完全電子的自動化が最近普及し、高周波の日内データを生成し、ほぼリアルタイムな価格予測手法の開発を動機付けている。
機械学習アルゴリズムは価格の中間株価予測に広く適用されている。
予測モデル(例えば、データ薄型化や特徴工学)の入力として生データを処理することは、主に予測手法の性能に影響する。
しかし、研究者はこの話題についてはほとんど議論しない。
これは生データ処理のための3つの新しいモデリング戦略を提案する動機となった。
提案手法は,ダウ・ジョーンズ30成分株の高周波データを分析し,予測性能を向上させるものである。
これらの実験において、我々の戦略は予測の統計的に顕著な改善をもたらすことが多い。
3つの戦略はSVMモデルのF1スコアをそれぞれ0.056、0.087、0.016で改善する。
関連論文リスト
- Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳(メタデータ) (2023-04-20T07:29:23Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳(メタデータ) (2023-03-02T21:48:22Z) - Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。
次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文 参考訳(メタデータ) (2022-10-22T14:54:33Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - An Empirical Study on Distribution Shift Robustness From the Perspective
of Pre-Training and Data Augmentation [91.62129090006745]
本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。
我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
論文 参考訳(メタデータ) (2022-05-25T13:04:53Z) - Compatible deep neural network framework with financial time series
data, including data preprocessor, neural network model and trading strategy [2.347843817145202]
この研究は、新しいディープニューラルネットワークアーキテクチャと、それらをモデルに供給する前に、財務データをどのように準備するかという新しいアイデアを紹介する。
この手法を評価するために3つの異なるデータセットが使用され、その結果、このフレームワークが有益でロバストな予測を私たちに提供できることが示されている。
論文 参考訳(メタデータ) (2022-05-11T20:44:08Z) - 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) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Evaluating data augmentation for financial time series classification [85.38479579398525]
2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。
比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。
より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
論文 参考訳(メタデータ) (2020-10-28T17:53:57Z) - A Time Series Analysis-Based Stock Price Prediction Using Machine
Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。
当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。
統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文 参考訳(メタデータ) (2020-04-17T19:41:22Z)
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。