論文の概要: Futures Quantitative Investment with Heterogeneous Continual Graph
Neural Network
- arxiv url: http://arxiv.org/abs/2303.16532v1
- Date: Wed, 29 Mar 2023 08:39:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 15:27:37.522689
- Title: Futures Quantitative Investment with Heterogeneous Continual Graph
Neural Network
- Title（参考訳）: 不均一連続グラフニューラルネットワークによる将来的定量投資
- Authors: Zhizhong Tan, Min Hu, Yixuan Wang, Lu Wei, Bin Liu
- Abstract要約: 空間時空間グラフニューラルネットワーク(STGNN)はこのような空間時空間データを扱う上で大きな利点がある。
我々は4つの異種タスクを設計することでラベル情報を活用する。
我々のモデルは、長期的または短期的な動的変化を捉える上で高い予測性能を有する。
- 参考スコア（独自算出の注目度）: 13.593285831625366
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: It is a challenging problem to predict trends of futures prices with
traditional econometric models as one needs to consider not only futures'
historical data but also correlations among different futures. Spatial-temporal
graph neural networks (STGNNs) have great advantages in dealing with such kind
of spatial-temporal data. However, we cannot directly apply STGNNs to
high-frequency future data because future investors have to consider both the
long-term and short-term characteristics when doing decision-making. To capture
both the long-term and short-term features, we exploit more label information
by designing four heterogeneous tasks: price regression, price moving average
regression, price gap regression (within a short interval), and change-point
detection, which involve both long-term and short-term scenes. To make full use
of these labels, we train our model in a continual manner. Traditional
continual GNNs define the gradient of prices as the parameter important to
overcome catastrophic forgetting (CF). Unfortunately, the losses of the four
heterogeneous tasks lie in different spaces. Hence it is improper to calculate
the parameter importance with their losses. We propose to calculate parameter
importance with mutual information between original observations and the
extracted features. The empirical results based on 49 commodity futures
demonstrate that our model has higher prediction performance on capturing
long-term or short-term dynamic change.
- Abstract（参考訳）: 従来の計量モデルでは、過去のデータだけでなく、異なる先物間の相関も考慮する必要があるため、先物価格の傾向を予測することは難しい問題である。
時空間グラフニューラルネットワーク(STGNN)はそのような時空間データを扱う上で大きな利点がある。
しかし、将来の投資家は意思決定を行う際に長期的な特性と短期的な特性の両方を考慮する必要があるため、stgnnを高周波データに直接適用することはできない。
長期的・短期的両方の特徴を捉えるため,価格回帰,価格移動平均回帰,価格ギャップ回帰(短時間),長期的・短期的な場面を含む変更点検出という4つの異種タスクを設計することで,ラベル情報を活用する。
これらのラベルをフルに利用するために、継続的な方法でモデルをトレーニングします。
伝統的な連続的なGNNは、価格の勾配を破滅的忘れ(CF)を克服するために重要なパラメータとして定義している。
残念ながら、4つの異種タスクの損失は異なる空間にある。
したがって、パラメータの重要性とその損失を計算するのは不適切である。
本稿では,オリジナル観測と抽出した特徴の相互情報を用いてパラメータの重要度を算出することを提案する。
49の商品先物に基づく実験結果から, 長期的・短期的な動的変化の予測性能が高いことが示された。
関連論文リスト
- Dynamic graph neural networks for enhanced volatility prediction in financial markets [0.0]
本稿では,グローバル金融市場を動的グラフとして表現するために,グラフニューラルネットワーク(GNN)を用いた新たなアプローチを提案する。
相関に基づくボラティリティ指標とボラティリティ指標を利用することで、テンポラルGATは、ボラティリティ予測の精度を高める有向グラフを構成する。
論文 参考訳（メタデータ） (2024-10-22T09:52:15Z) - Evaluating Financial Relational Graphs: Interpretation Before Prediction [4.421486904657393]
本稿では,S&P500指数に基づくSPNewsデータセットを導入し,動的関係グラフの構築を容易にする。
歴史的金融現象を説明するために関係グラフを用いて,グラフニューラルネットワークを構築する前にその妥当性を評価する。
評価手法は, 様々な財務関係グラフを効果的に区別し, より解釈可能な結果が得られる。
論文 参考訳（メタデータ） (2024-09-28T22:43:00Z) - DiffSTOCK: Probabilistic relational Stock Market Predictions using Diffusion Models [1.9662978733004601]
我々は、歴史的金融指標とストック間関係を前提とした、より良い市場予測を提供するためのアーキテクチャを開発する。
また,Masked Transformer (RTM) を用いて,ストック間関係と歴史的ストックの特徴を生かした新しい決定論的アーキテクチャ MTCHS を提供する。
論文 参考訳（メタデータ） (2024-03-21T01:20:32Z) - Long Short-Term Memory Pattern Recognition in Currency Trading [0.0]
ワイコフフェイズ(Wyckoff Phases)は、リチャード・D・ワイコフが20世紀初頭に考案したフレームワークである。
本研究は、取引範囲と二次試験の段階を探求し、市場ダイナミクスを理解することの重要性を解明する。
この研究は、これらの相の複雑さを解き明かすことで、市場構造を通して流動性を生み出すことに光を当てている。
この研究は、金融分析とトレーディング戦略におけるAI駆動アプローチの変革の可能性を強調している。
論文 参考訳（メタデータ） (2024-02-23T12:59:49Z) - Financial Time-Series Forecasting: Towards Synergizing Performance And
Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。
本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
論文 参考訳（メタデータ） (2023-12-31T16:38:32Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - 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) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳（メタデータ） (2021-07-05T10:15:23Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z) - Gaussian process imputation of multiple financial series [71.08576457371433]
金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。
金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
論文 参考訳（メタデータ） (2020-02-11T19:18:18Z)
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。