論文の概要: HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE
- arxiv url: http://arxiv.org/abs/2306.02848v1
- Date: Mon, 5 Jun 2023 12:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 15:14:12.601372
- Title: HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE
- Title(参考訳): hirevae:階層型およびレジームスイッチ型vaeに基づくオンラインおよび適応型ファクタモデル
- Authors: Zikai Wei, Anyi Rao, Bo Dai, Dahua Lin
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 113.47287249524008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Factor model is a fundamental investment tool in quantitative investment,
which can be empowered by deep learning to become more flexible and efficient
in practical complicated investing situations. However, it is still an open
question to build a factor model that can conduct stock prediction in an online
and adaptive setting, where the model can adapt itself to match the current
market regime identified based on only point-in-time market information. To
tackle this problem, we propose the first deep learning based online and
adaptive factor model, HireVAE, at the core of which is a hierarchical latent
space that embeds the underlying relationship between the market situation and
stock-wise latent factors, so that HireVAE can effectively estimate useful
latent factors given only historical market information and subsequently
predict accurate stock returns. Across four commonly used real stock market
benchmarks, the proposed HireVAE demonstrate superior performance in terms of
active returns over previous methods, verifying the potential of such online
and adaptive factor model.
- Abstract(参考訳): ファクターモデルは量的投資の基本的な投資ツールであり、複雑な投資状況において、より柔軟で効率的になるためにディープラーニングによって強化することができる。
しかし、オンライン・アダプティブな環境で株価予測を行うことができる要因モデルを構築するには、ポイント・イン・タイムの市場情報のみに基づいて、現在の市場体制に適合するようにモデルを適応させる必要がある。
この問題に対処するために,ヒレバエは,オンライン・適応型因子モデルとして初めて,市場状況と株価関連因子の関係を埋め込んだ階層型潜伏空間であるヒレバエを提案し,ヒレバエは歴史的市場情報のみを付加した有用な潜伏因子を効果的に推定し,その結果の正確なストックリターンを予測する。
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、従来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、そのようなオンラインおよび適応係数モデルの可能性を検証する。
関連論文リスト
- RVRAE: A Dynamic Factor Model Based on Variational Recurrent Autoencoder
for Stock Returns Prediction [5.281288833470249]
RVRAEは、市場データの時間的依存関係とノイズに対処する確率論的アプローチである。
揮発性株式市場のリスクモデリングに長けており、潜在空間分布からのばらつきを推定し、リターンを予測する。
論文 参考訳(メタデータ) (2024-03-04T21:48:32Z) - Optimizing Portfolio Management and Risk Assessment in Digital Assets
Using Deep Learning for Predictive Analysis [5.015409508372732]
本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。
この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。
異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
論文 参考訳(メタデータ) (2024-02-25T05:23:57Z) - A Bargaining-based Approach for Feature Trading in Vertical Federated
Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。
当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文 参考訳(メタデータ) (2024-02-23T10:21:07Z) - An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。
FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。
本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
論文 参考訳(メタデータ) (2024-02-02T07:25:53Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - 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) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳(メタデータ) (2022-07-23T18:54:10Z) - Fuzzy Expert System for Stock Portfolio Selection: An Application to
Bombay Stock Exchange [0.0]
ボンベイ証券取引所(BSE)の株式評価と格付けのためにファジィエキスパートシステムモデルが提案されている。
このモデルの性能は、最近の株のパフォーマンスと比較すると、短期的な投資期間で十分であることが判明した。
論文 参考訳(メタデータ) (2022-04-28T10:01:15Z) - Profitability Analysis in Stock Investment Using an LSTM-Based Deep
Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。
特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。
インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文 参考訳(メタデータ) (2021-04-06T11:09:51Z) - Deep Stochastic Volatility Model [3.3970049571884204]
本論文では, 深部潜在変数モデルの枠組みに基づく深部ボラティリティモデル(DSVM)を提案する。
フレキシブルなディープラーニングモデルを使用して、過去のリターンに対する将来のボラティリティの依存性を自動的に検出する。
実データ分析では、DSVMはいくつかの一般的な代替ボラティリティモデルよりも優れています。
論文 参考訳(メタデータ) (2021-02-25T03:25:33Z)
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。