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/2304.14870v3
- Date: Mon, 8 Apr 2024 08:38:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 05:36:49.778211
- 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的株式トレーダー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: 提案手法は、過去600日間の株価に注目し、次のD日で株価が10%上昇するか、20%下落するかを予測する。
提案手法を用いて、シャープ比1.57の75.36%を返却し、それぞれ36%、0.61を上回った。
米国市場ではシャープ比0.61で27.17%のリターンを与え、NASDAQ、S&P500、DOW JONESの指数をそれぞれ17.69%、0.27で上回っている。
- 参考スコア（独自算出の注目度）: 0.276240219662896
- 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. 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 Korea and US stock markets. The backtest is done using the data from 2020 to 2022. Using the proposed method for the Korea market it gave return of 75.36% having Sharpe ratio of 1.57, which far exceeds the market return by 36% and 0.61, respectively. On the US market it gives total return of 27.17% with Sharpe ratio of 0.61, which outperforms other benchmarks such as NASDAQ, S&P500, DOW JONES index by 17.69% and 0.27, respectively.
- 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が、以上の市場リターンを得るための技術開発につながることを示唆している。
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、ここ数十年で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。
このスキームは、過去600日間の株価を調べ、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。
提案手法は、Resnet(ディープラーニングモデル)が接続とログをスキップして予測の確率を高める。
このモデルは、韓国と米国の株式市場の歴史的データを用いて訓練され、テストされた。
バックテストは2020年から2022年までのデータを使って行われる。
提案手法を用いて、シャープ比1.57の75.36%を返却し、それぞれ36%、0.61を上回った。
米国市場ではシャープ比0.61で27.17%、NASDAQ、S&P500、DOW JONES指数17.69%、0.27など他のベンチマークを上回っている。
関連論文リスト
- CSPRD: A Financial Policy Retrieval Dataset for Chinese Stock Market [61.59326951366202]
我々は、中国株式政策検索データセット(CSPRD)を導入して、新たな課題である政策検索を提案する。
CSPRDは、中国の政策コーパスの10k以上の項目から、経験豊富な専門家によってラベル付けされた700以上のパスを提供する。
我々の最高のパフォーマンスベースラインは56.1% MRR@10、28.5% NDCG@10、37.5% Recall@10、80.6% Precision@10である。
論文 参考訳（メタデータ） (2023-09-08T15:40:54Z) - Agent Performing Autonomous Stock Trading under Good and Bad Situations [0.0]
株式取引環境をシミュレートするパイプラインを開発した。
我々は、深層強化学習手法で株取引プロセスを自動化するエージェントを訓練した。
比較的良い(2021年まで)と悪い(2021年から2022年まで)の状況で、当社のプラットフォームを評価します。
論文 参考訳（メタデータ） (2023-06-06T19:44:37Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - 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) - A Stock Trading System for a Medium Volatile Asset using Multi Layer
Perceptron [0.6882042556551609]
今後30日間の公開市場における価格予測のために,フィードフォワードディープニューラルネットワーク(DNN)のコアとなるストックトレーディングシステムを提案する。
結果は、非常に控えめな100ドルの予算からわずか1ヶ月で3.2%の総利益率をもたらすことを約束していた。
論文 参考訳（メタデータ） (2022-01-17T16:08:40Z) - 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) - Stock price prediction using BERT and GAN [0.0]
本稿では、株価を予測するための最先端の手法の集合体を提案する。
これはGoogle for Natural Language Processing (NLP)によって事前訓練されたトランスフォーマーモデルであるBERTのバージョンを使用している。
その後、GAN(Generative Adversarial Network)は、Apple Inc.の株価を、技術指標、さまざまな国の株価指数、いくつかの商品、そして歴史的価格と評価スコアを用いて予測する。
論文 参考訳（メタデータ） (2021-07-18T18:31:43Z) - 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。