論文の概要: Improving CNN-base Stock Trading By Considering Data Heterogeneity and Burst

• arxiv url: http://arxiv.org/abs/2303.09407v1
• Date: Tue, 14 Mar 2023 01:05:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 15:06:23.135492
• Title: Improving CNN-base Stock Trading By Considering Data Heterogeneity and Burst
• Title（参考訳）: データ不均一性とバーストを考慮したCNNベース株取引の改善
• Authors: Keer Yang, Guanqun Zhang, Chuan Bi, Qiang Guan, Hailu Xu, Shuai Xu
• Abstract要約: 入力データの空間的依存(行と列間の関係)を学習できるため,このようなフレームワークのコア機能としてCNNを用いる。 次に、ストックデータを作成するための新しい正規化プロセスを開発する。 実験結果から,本手法が他の比較手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 1.6637373649145604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, there have been quite a few attempts to apply intelligent techniques to financial trading, i.e., constructing automatic and intelligent trading framework based on historical stock price. Due to the unpredictable, uncertainty and volatile nature of financial market, researchers have also resorted to deep learning to construct the intelligent trading framework. In this paper, we propose to use CNN as the core functionality of such framework, because it is able to learn the spatial dependency (i.e., between rows and columns) of the input data. However, different with existing deep learning-based trading frameworks, we develop novel normalization process to prepare the stock data. In particular, we first empirically observe that the stock data is intrinsically heterogeneous and bursty, and then validate the heterogeneity and burst nature of stock data from a statistical perspective. Next, we design the data normalization method in a way such that the data heterogeneity is preserved and bursty events are suppressed. We verify out developed CNN-based trading framework plus our new normalization method on 29 stocks. Experiment results show that our approach can outperform other comparing approaches.
• Abstract（参考訳）: 近年、金融取引にインテリジェントな技術を適用する試みが数多く行われており、すなわち、過去の株価に基づく自動的かつインテリジェントな取引枠組みを構築している。 金融市場の予測不可能で不確実で不安定な性質のため、研究者たちはインテリジェントなトレーディング・フレームワークを構築するために深層学習にも取り組んできた。 本稿では、入力データの空間的依存(行と列)を学習できるため、CNNをそのようなフレームワークの中核機能として用いることを提案する。 しかし、既存のディープラーニングベースのトレーディングフレームワークと異なり、ストックデータを作成するための新しい正規化プロセスを開発する。 特に、まず、ストックデータが本質的に不均一でバースト的であることを経験的に観察し、統計学的観点から、ストックデータの不均一性とバースト性を検証する。 次に、データ不均一性が保持され、バーストイベントが抑制されるように、データ正規化手法を設計する。 CNNベースのトレーディングフレームワークと29株の新たな正規化手法を検証する。 実験結果から,本手法が他の比較手法より優れていることが示された。

関連論文リスト

• Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning [1.6574413179773761]
  Contrastive Earnings Transformer (CET) は、Contrastive Predictive Coding (CPC) に根ざした自己教師型学習手法である。 我々の研究は、株価データの複雑さを深く掘り下げ、さまざまなモデルが、時間と異なるセクターで急速に変化する収益データの関連性をどのように扱うかを評価している。 CETのCPCに関する基盤は、財務データ時代においても、一貫した株価予測を促進する、微妙な理解を可能にする。
  論文  参考訳（メタデータ） (2024-09-25T22:09:59Z)
• Overcoming Overconfidence for Active Learning [1.2776312584227847]
  本稿では,アクティブな学習シナリオで発生する過信の問題に対処する2つの新しい手法を提案する。 1つ目はCross-Mix-and-Mix(CMaM)と呼ばれる拡張戦略で、限られたトレーニング分布を拡張してモデルを校正することを目的としている。 2つ目は Ranked Margin Sampling (RankedMS) という選択戦略である。
  論文  参考訳（メタデータ） (2023-08-21T09:04:54Z)
• Efficient Integration of Multi-Order Dynamics and Internal Dynamics in Stock Movement Prediction [20.879245331384794]
  近年のディープニューラルネットワーク (DNN) 法はハイパーグラフを用いて多次ダイナミクスを捉えるが、畳み込みのフーリエ基底に依存している。 以上の課題を克服するために,ストックムーブメント予測のための枠組みを提案する。 我々の枠組みは、利益と安定性の観点から最先端の手法より優れています。
  論文  参考訳（メタデータ） (2022-11-11T01:58:18Z)
• Rethinking Data Heterogeneity in Federated Learning: Introducing a New Notion and Standard Benchmarks [65.34113135080105]
  我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。 私たちの観察は直感的である。 私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
  論文  参考訳（メタデータ） (2022-09-30T17:15:19Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• 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)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)
• Sentiment and Knowledge Based Algorithmic Trading with Deep Reinforcement Learning [0.0]
  アルゴリズムトレーディングは、その性質上、現実の世界にはあまりにも多くの変数があり、自動化された株式トレーディングのための信頼性の高いアルゴリズムを持つことはほぼ不可能である。 市場のアップアンドダウンを規定する物理的および生理的要因を考慮に入れた信頼性の高いラベル付きデータの欠如は、信頼できる予測のための教師付き学習の試みを妨げている。 本稿では,従来の時系列株価データとニュース見出しの感情を組み合わせ,暗黙の関係に関するニュースを活用できる知識グラフを活用した強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-01-26T05:27:53Z)

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。