論文の概要: Using a Deep Learning Model to Simulate Human Stock Trader's Methods of
Chart Analysis
- arxiv url: http://arxiv.org/abs/2304.14870v2
- Date: Sat, 30 Dec 2023 13:46:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 02:29:38.522102
- Title: Using a Deep Learning Model to Simulate Human Stock Trader's Methods of
Chart Analysis
- Title(参考訳): 深層学習モデルを用いた人株取引者のチャート分析手法のシミュレーション
- Authors: Sungwoo Kang, Jong-Kook Kim
- Abstract要約: 本稿では,専門家の技術アナリストの取引方法に触発された手法を提案する。
過去600日間の株価を見て、株価が次のD日で10%上昇するか、20%下落するかを予測する。
韓国市場では、利益は市場リターンの39%以上、利益はアメリカの市場リターンの40%以上に達した。
- 参考スコア(独自算出の注目度): 0.32634122554914
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the efficient market hypothesis, many studies suggest the existence
of inefficiencies in the stock market leading to the development of techniques
to gain above-market returns. Systematic trading has undergone significant
advances in recent decades with deep learning schemes emerging as a powerful
tool for analyzing and predicting market behavior. In this paper, a method is
proposed that is inspired by how professional technical analysts trade. This
scheme looks at stock prices of the previous 600 days and predicts whether the
stock price will rise or fall 10% or 20% within the next D days. Plus, the
proposed method uses the Resnet's (a deep learning model) skip connections and
logits to increase the probability of the prediction. The model was trained and
tested using historical data from both the Korean and US stock markets. We show
that using the period label of 5 gives the best result. On Korea market it
achieved a profit more than 39% above the market return, and a profit more than
40% above the market return on the US market.
- Abstract(参考訳): 効率的な市場仮説にもかかわらず、多くの研究は株式市場における非効率性の存在を示唆し、市場上利益を得る技術の開発に繋がる。
近年のシステム取引は、市場行動を分析し予測するための強力なツールとしてディープラーニングスキームが登場し、大きな進歩を遂げている。
本稿では,専門家の技術アナリストの取引方法に触発された手法を提案する。
この計画では、過去600日間の株価を見て、次のd日で株価が10%上昇するか20%下落するかを予測している。
さらに,提案手法では,Resnet(ディープラーニングモデル)が接続やロジットをスキップすることで,予測の確率を増大させる。
モデルは韓国と米国の株式市場の過去のデータを使って訓練され、テストされた。
5の周期ラベルを使うことが最良の結果をもたらすことを示す。
韓国市場では、利益は市場リターンの39%以上、利益はアメリカの市場リターンの40%以上に達した。
関連論文リスト
- StockFormer: A Swing Trading Strategy Based on STL Decomposition and
Self-Attention Networks [0.3495246564946556]
Stockformerは、スイングトレーディングに最適化された最先端のディープラーニングフレームワークである。
ストックフォーマーは、S&P 500の複雑なデータを使って、株価のリターン予測を洗練させる。
私たちのバックテストでは、ストックホルダーのスイングトレーディング戦略は累積リターンが13.19%、年次リターンが30.80%だった。
論文 参考訳(メタデータ) (2023-11-23T04:33:47Z) - Joint Latent Topic Discovery and Expectation Modeling for Financial
Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。
このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。
私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文 参考訳(メタデータ) (2023-06-01T01:36:51Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - A Game of NFTs: Characterizing NFT Wash Trading in the Ethereum
Blockchain [59.0626764544669]
非Fungible Token(NFT)市場は2021年に爆発的に成長し、2022年1月には月間貿易額が60億ドルに達した。
ウォッシュトレーディングの可能性に関する懸念が浮かび上がっており、あるパーティがNFTを取引してそのボリュームを人為的に膨らませる市場操作の形式である。
洗濯物取引は全NFTコレクションの5.66%に影響し、総生産量は3,406,110,774ドルである。
論文 参考訳(メタデータ) (2022-12-02T15:03:35Z) - HiSA-SMFM: Historical and Sentiment Analysis based Stock Market
Forecasting Model [3.6704226968275258]
本研究の目的は、企業の金融株の将来を精度良く予測することである。
感情分析の分野での既存の研究を分析した結果、株価の動きとニュース記事の発行との間には強い相関関係があることが判明した。
論文 参考訳(メタデータ) (2022-03-10T17:03:38Z) - Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。
模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文 参考訳(メタデータ) (2021-12-08T14:55:21Z) - 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) - Combining Machine Learning Classifiers for Stock Trading with Effective
Feature Extraction [0.4199844472131921]
機械学習モデルは、ライブトレーディングを行うことで、米国株式市場でかなりの利益を上げることができる。
我々の研究は、重み付けされた分類器の混合が、株式市場での取引決定を行う個々の予測器よりも優れていることを示した。
論文 参考訳(メタデータ) (2021-07-28T03:22:58Z) - A comparative study of Different Machine Learning Regressors For Stock
Market Prediction [2.1485350418225244]
我々はNASDAQの株式市場を集中的に研究し、10社のポートフォリオを選択することを目標とした。
目標は、履歴データを用いて翌日の株式の公開価格を計算することである。
このタスクを達成するために、9つの異なる機械学習レグレッサーがこのデータに適用され、パフォーマンスメトリックとしてMSEとR2を使用して評価されます。
論文 参考訳(メタデータ) (2021-04-14T15:37:33Z) - Feature Learning for Stock Price Prediction Shows a Significant Role of
Analyst Rating [0.38073142980733]
5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。
いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。
予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
論文 参考訳(メタデータ) (2021-03-13T03:56:29Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳(メタデータ) (2020-12-10T01:15:48Z)
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。