論文の概要: Stock Price Predictability and the Business Cycle via Machine Learning
- arxiv url: http://arxiv.org/abs/2304.09937v1
- Date: Thu, 6 Apr 2023 07:08:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-23 04:08:02.025680
- Title: Stock Price Predictability and the Business Cycle via Machine Learning
- Title(参考訳): 機械学習による株価予測可能性とビジネスサイクル
- Authors: Li Rong Wang, Hsuan Fu, Xiuyi Fan
- Abstract要約: ビジネスサイクルが機械学習(ML)予測に与える影響について検討する。
S&P 500指数を用いて、ほとんどのリセッションにおいてMLモデルは悪化する。
- 参考スコア(独自算出の注目度): 0.8701566919381223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the impacts of business cycles on machine learning (ML) predictions.
Using the S&P 500 index, we find that ML models perform worse during most
recessions, and the inclusion of recession history or the risk-free rate does
not necessarily improve their performance. Investigating recessions where
models perform well, we find that they exhibit lower market volatility than
other recessions. This implies that the improved performance is not due to the
merit of ML methods but rather factors such as effective monetary policies that
stabilized the market. We recommend that ML practitioners evaluate their models
during both recessions and expansions.
- Abstract(参考訳): ビジネスサイクルが機械学習(ML)予測に与える影響について検討する。
S&P 500指数を用いて、ほとんどのリセッションにおいてMLモデルは悪化し、リセッション履歴やリスクフリー率の含みが必ずしもパフォーマンスを向上しないことがわかった。
モデルが良好に機能する不況を調査した結果、他の不況よりも市場のボラティリティが低いことが判明した。
これは、パフォーマンスの改善はML手法の利点によるものではなく、市場を安定させる効果的な金融政策のような要因によるものであることを意味する。
ml実践者は、不況と拡張の両方でモデルを評価することを推奨します。
関連論文リスト
- CRISIS ALERT:Forecasting Stock Market Crisis Events Using Machine
Learning Methods [9.085781986809183]
我々はRandom ForestやExtreme Gradient Boostingといった高度な機械学習技術を使って、市場のクラッシュの可能性を予測しています。
一般米国株指数、SP500セクター指数、および市場指標を含む75の説明変数について検討する。
選択された分類基準により、エクストリーム・グラディエント・ブースティング法は米国の株式市場危機の予測において最善を尽くすと結論付けている。
論文 参考訳(メタデータ) (2024-01-06T04:07:14Z) - Stock Market Price Prediction: A Hybrid LSTM and Sequential
Self-Attention based Approach [3.8154633976469086]
LSTM-SSAM(Sequential Self-Attention Mechanism)を用いたLong Short-Term Memory(LSTM)というモデルを提案する。
SBIN,BANK,BANKBARODAの3つのストックデータセットについて広範な実験を行った。
実験により,既存のモデルと比較して,提案モデルの有効性と妥当性が示された。
論文 参考訳(メタデータ) (2023-08-07T14:21:05Z) - Leaving the Nest: Going Beyond Local Loss Functions for
Predict-Then-Optimize [57.22851616806617]
本手法は,文献から得られた4つの領域において,最先端の成果が得られることを示す。
提案手法は, 局所性仮定が破られた場合, 既存手法よりも200%近く性能が向上する。
論文 参考訳(メタデータ) (2023-05-26T11:17:45Z) - Benchmarking Machine Learning Models to Predict Corporate Bankruptcy [1.933681537640272]
1990年から2019年までの2,585回の倒産の包括的サンプルを用いて、さまざまな機械学習モデルのパフォーマンスをベンチマークする。
勾配が増した木は1年ごとの予測で他のモデルを上回った。
論文 参考訳(メタデータ) (2022-12-22T22:01:25Z) - 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) - 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) - Finding General Equilibria in Many-Agent Economic Simulations Using Deep
Reinforcement Learning [72.23843557783533]
本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。
私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。
当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
論文 参考訳(メタデータ) (2022-01-03T17:00:17Z) - Interpretability in Safety-Critical FinancialTrading Systems [15.060749321774136]
2020年、世界で最も洗練された量子ヘッジファンドのいくつかが損失を被った。
我々は、トレーディングモデルの予測をどのように操作できるかを正確に評価するために、勾配に基づくアプローチを実装した。
提案手法では,入出力分布に大きな負のずれが生じる,サンプル内入力設定のように見えることが判明した。
論文 参考訳(メタデータ) (2021-09-24T17:05:58Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳(メタデータ) (2021-09-14T18:50:38Z) - 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) - Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。
さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。
この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
論文 参考訳(メタデータ) (2020-04-17T14:58:29Z)
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。