論文の概要: E2EAI: End-to-End Deep Learning Framework for Active Investing

• arxiv url: http://arxiv.org/abs/2305.16364v1
• Date: Thu, 25 May 2023 10:27:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 18:53:23.815613
• Title: E2EAI: End-to-End Deep Learning Framework for Active Investing
• Title（参考訳）: E2EAI: アクティブ投資のためのエンドツーエンドのディープラーニングフレームワーク
• Authors: Zikai Wei, Bo Dai, Dahua Lin
• Abstract要約: 本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。 実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
• 参考スコア（独自算出の注目度）: 123.52358449455231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active investing aims to construct a portfolio of assets that are believed to be relatively profitable in the markets, with one popular method being to construct a portfolio via factor-based strategies. In recent years, there have been increasing efforts to apply deep learning to pursue "deep factors'' with more active returns or promising pipelines for asset trends prediction. However, the question of how to construct an active investment portfolio via an end-to-end deep learning framework (E2E) is still open and rarely addressed in existing works. In this paper, we are the first to propose an E2E that covers almost the entire process of factor investing through factor selection, factor combination, stock selection, and portfolio construction. Extensive experiments on real stock market data demonstrate the effectiveness of our end-to-end deep leaning framework in active investing.
• Abstract（参考訳）: アクティブ・インベストメント(Active Investment)は、市場で比較的利益があると思われる資産のポートフォリオを構築することを目的としている。 近年、より活発なリターンを持つ「深層要素」を追求するためのディープラーニングの適用や、アセットトレンド予測のための有望なパイプラインへの取り組みが増えている。 しかし、エンドツーエンドのディープラーニングフレームワーク(E2E)を通じて、アクティブな投資ポートフォリオを構築する方法に関する疑問は、まだオープンであり、既存の作業で対処されることはめったにない。 本稿では, 因子選択, 因子組合せ, 株式選択, ポートフォリオ構築を通じて, ほぼすべての要因投資プロセスをカバーするE2Eを提案する。 実際の株式市場データに関する大規模な実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。

関連論文リスト

• Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
  本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。 以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-03-25T12:04:03Z)
• 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)
• 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)
• 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)
• 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)
• Asset Allocation: From Markowitz to Deep Reinforcement Learning [2.0305676256390934]
  資産配分とは、ポートフォリオの資産を常に再分配することでリスクと報酬のバランスをとることを目的とした投資戦略である。 我々は、多くの最適化手法の有効性と信頼性を決定するために、広範囲なベンチマーク研究を行う。
  論文  参考訳（メタデータ） (2022-07-14T14:44:04Z)
• Quantitative Stock Investment by Routing Uncertainty-Aware Trading Experts: A Multi-Task Learning Approach [29.706515133374193]
  既存のディープラーニング手法はランダムなシードやネットワークルータに敏感であることを示す。 本稿では,成功した取引会社の効果的なボトムアップトレーディング戦略設計ワークフローを模倣する,量的投資のための新しい2段階混成(MoE)フレームワークを提案する。 AlphaMixは4つの財務基準において、最先端のベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2022-06-07T08:58:00Z)
• Precise Stock Price Prediction for Robust Portfolio Design from Selected Sectors of the Indian Stock Market [0.0]
  私たちは、選択した5つのセクターすべてに対して、最小限の分散ポートフォリオと最適なリスクポートフォリオを構築しました。 最小分散ポートフォリオと等しい重量ポートフォリオを持つ最適リスクポートフォリオの比較研究は、バックテストによって行われます。
  論文  参考訳（メタデータ） (2022-01-14T17:24:19Z)
• High-Dimensional Stock Portfolio Trading with Deep Reinforcement Learning [0.0]
  このアルゴリズムは任意のサイズの断面データセットから高次元のポートフォリオを交換することができる。 我々は、各環境の資産を1つ集めて環境を順次設定し、その結果の資産の返却と現金の保留に報いるとともに、資産の集合の返却平均に報いる。
  論文  参考訳（メタデータ） (2021-12-09T08:30:45Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)

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。