論文の概要: Gated Deeper Models are Effective Factor Learners

• arxiv url: http://arxiv.org/abs/2305.10693v1
• Date: Thu, 18 May 2023 04:07:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 17:00:56.471822
• Title: Gated Deeper Models are Effective Factor Learners
• Title（参考訳）: Gated Deep Modelsは効果的なファクター学習者である
• Authors: Jingjing Guo
• Abstract要約: 2048次元空間においてより有意義な因子を生成する5層ディープニューラルネットワークを提案する。 我々は、最近の3年間の記録で、中国市場から2000種以上の株を評価。
• 参考スコア（独自算出の注目度）: 0.9137554315375922
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Precisely forecasting the excess returns of an asset (e.g., Tesla stock) is beneficial to all investors. However, the unpredictability of market dynamics, influenced by human behaviors, makes this a challenging task. In prior research, researcher have manually crafted among of factors as signals to guide their investing process. In contrast, this paper view this problem in a different perspective that we align deep learning model to combine those human designed factors to predict the trend of excess returns. To this end, we present a 5-layer deep neural network that generates more meaningful factors in a 2048-dimensional space. Modern network design techniques are utilized to enhance robustness training and reduce overfitting. Additionally, we propose a gated network that dynamically filters out noise-learned features, resulting in improved performance. We evaluate our model over 2,000 stocks from the China market with their recent three years records. The experimental results show that the proposed gated activation layer and the deep neural network could effectively overcome the problem. Specifically, the proposed gated activation layer and deep neural network contribute to the superior performance of our model. In summary, the proposed model exhibits promising results and could potentially benefit investors seeking to optimize their investment strategies.
• Abstract（参考訳）: 資産(例えばtesla株)の過剰リターンを正確に予測することは、すべての投資家にとって有益である。 しかし、人間の行動に影響された市場ダイナミクスの予測不可能性は、これは困難な課題である。 これまでの研究で、研究者は投資プロセスの指針となる要因を手作業で作り上げてきた。 これとは対照的に,本研究では,この問題を異なる視点で考察し,過剰リターンの傾向を予測するために,人間の設計した要因を組み合わせるためにディープラーニングモデルを整合させる。 この目的のために,2048次元空間においてより有意義な要素を生成する5層深層ニューラルネットワークを提案する。 現代のネットワーク設計技術は、堅牢性トレーニングを強化し、オーバーフィッティングを減らすために利用される。 さらに,ノイズ学習機能を動的にフィルタリングするゲートネットワークを提案し,性能を向上した。 我々は、最近の3年間の記録で、中国市場から2000種以上の株を評価。 実験の結果,提案するゲート活性化層とディープニューラルネットワークは,この問題を効果的に克服できることがわかった。 具体的には,提案するゲート活性化層とディープニューラルネットワークが,モデルの性能向上に寄与する。 要約すると、提案モデルは有望な結果を示し、投資戦略を最適化しようとする投資家に利益をもたらす可能性がある。

関連論文リスト

• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• Bi-LSTM Price Prediction based on Attention Mechanism [2.455751370157653]
  我々は,金とビットコインという2つの一般的な資産をベースとした,注目機構に基づく双方向LSTMニューラルネットワークを提案する。 予測結果から2年間で1089.34%のリターンを得た。 また,本論文で提案したBi-LSTMモデルと従来のモデルとの比較を行い,本モデルが本データセットで最高の性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-12-07T03:56:11Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Optimal consumption-investment choices under wealth-driven risk aversion [0.0]
  リスク回避が一定であるCRRAユーティリティは、様々な経済学モデルでよく見られる。 本稿では,ニューラルネットワークによる富駆動逆流下での最適消費投資選択に対する数値解に主に焦点をあてる。
  論文  参考訳（メタデータ） (2022-10-03T14:07:11Z)
• Embedding-based neural network for investment return prediction [5.114559245995975]
  近年,深層学習が急速に発展し,深層学習に基づく投資リターン予測が注目されている。 本稿では,投資のリターンを予測するために,埋込型二重分岐手法を提案する。 その結果,Xgboost,Lightgbm,Catboostに対するアプローチの優位性が示された。
  論文  参考訳（メタデータ） (2022-09-26T17:20:24Z)
• Deep reinforcement learning for portfolio management based on the empirical study of chinese stock market [3.5952664589125916]
  本論文では,最新の技術である深層強化学習をポートフォリオ管理に適用できることを検証する。 実験では、市場のリターン率を表すCSI300や、ランダムに選択されたCSI500の構成成分など、ランダムに選択されたポートフォリオにモデルを使用。
  論文  参考訳（メタデータ） (2020-12-26T16:25:20Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)
• Learn2Perturb: an End-to-end Feature Perturbation Learning to Improve Adversarial Robustness [79.47619798416194]
  Learn2Perturbは、ディープニューラルネットワークの対角的堅牢性を改善するために、エンドツーエンドの機能摂動学習アプローチである。 予測最大化にインスパイアされ、ネットワークと雑音パラメータを連続的にトレーニングするために、交互にバックプロパゲーショントレーニングアルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-03-02T18:27:35Z)

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。