論文の概要: Futures Quantitative Investment with Heterogeneous Continual Graph Neural Network

• arxiv url: http://arxiv.org/abs/2303.16532v2
• Date: Tue, 19 Dec 2023 12:43:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 02:43:11.873502
• 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: Min Hu, Zhizhong Tan, Bin Liu, Guosheng Yin
• Abstract要約: 本研究では,グラフニューラルネットワークに基づく連続学習因子予測器を提案することにより,高周波取引(HFT)における先物価格予測の課題を解決することを目的とする。 このモデルは、マルチ価格理論とリアルタイム市場ダイナミクスを統合し、既存の手法の制限を効果的に回避する。 中国の先物市場における49の商品先物に関する実証実験は、提案されたモデルが予測精度で他の最先端モデルよりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 13.882054287609021
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study aims to address the challenges of futures price prediction in high-frequency trading (HFT) by proposing a continuous learning factor predictor based on graph neural networks. The model integrates multi-factor pricing theories with real-time market dynamics, effectively bypassing the limitations of existing methods that lack financial theory guidance and ignore various trend signals and their interactions. We propose three heterogeneous tasks, including price moving average regression, price gap regression and change-point detection to trace the short-, intermediate-, and long-term trend factors present in the data. In addition, this study also considers the cross-sectional correlation characteristics of future contracts, where prices of different futures often show strong dynamic correlations. Each variable (future contract) depends not only on its historical values (temporal) but also on the observation of other variables (cross-sectional). To capture these dynamic relationships more accurately, we resort to the spatio-temporal graph neural network (STGNN) to enhance the predictive power of the model. The model employs a continuous learning strategy to simultaneously consider these tasks (factors). Additionally, due to the heterogeneity of the tasks, we propose to calculate parameter importance with mutual information between original observations and the extracted features to mitigate the catastrophic forgetting (CF) problem. Empirical tests on 49 commodity futures in China's futures market demonstrate that the proposed model outperforms other state-of-the-art models in terms of prediction accuracy. Not only does this research promote the integration of financial theory and deep learning, but it also provides a scientific basis for actual trading decisions.
• Abstract（参考訳）: 本研究では,高頻度取引における先物価格予測の課題を,グラフニューラルネットワークに基づく連続学習因子予測器を提案することで解決する。 このモデルは、多要素価格理論をリアルタイム市場ダイナミクスと統合し、金融理論のガイダンスを欠いている既存の手法の制限を効果的に回避し、様々なトレンド信号とその相互作用を無視する。 本研究では,価格移動平均回帰,価格ギャップ回帰,変化点検出という3つの異種タスクを提案し,データに含まれる短期的・中期的・長期的トレンド要因を追跡する。 さらに, 将来契約の相互相関特性についても検討し, 異なる契約契約の価格が強い動的相関を示すことが多かった。 各変数(将来の契約)は、その歴史的値(時間的)だけでなく、他の変数(横断的)の観察にも依存する。 これらの動的関係をより正確に捉えるために,時空間グラフニューラルネットワーク(STGNN)を用いて,モデルの予測能力を向上する。 このモデルは、これらのタスク(要素)を同時に考慮するための継続的学習戦略を採用している。 さらに,タスクの不均一性から,元々の観測と抽出された特徴との相互情報によるパラメータ重要度を算出し,破壊的忘れたり(cf)問題を緩和する。 中国の先物市場における49の商品先物に関する実証実験は、提案モデルが予測精度の点で他の最先端モデルよりも優れていることを示している。 この研究は、金融理論と深層学習の統合を促進するだけでなく、実際の貿易決定のための科学的基盤も提供する。

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。