論文の概要: Learning to Learn Financial Networks for Optimising Momentum Strategies
- arxiv url: http://arxiv.org/abs/2308.12212v1
- Date: Wed, 23 Aug 2023 15:51:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 13:47:22.596576
- Title: Learning to Learn Financial Networks for Optimising Momentum Strategies
- Title（参考訳）: モメンタム戦略の最適化のための金融ネットワークの学習
- Authors: Xingyue (Stacy) Pu, Stefan Zohren, Stephen Roberts, and Xiaowen Dong
- Abstract要約: ネットワークモーメントは、金融ネットワーク内の資産間の相互接続を利用して将来のリターンを予測する、新しいタイプのリスクプレミアムを提供する。
L2GMOMは、金融ネットワークを同時に学習し、取引信号をネットワークのモーメント戦略に最適化するエンド・ツー・エンドの機械学習フレームワークである。
64の継続的な将来の契約に対するバックテストは、ポートフォリオの収益性とリスク管理の大幅な改善を示し、シャープ比は20年にわたって1.74である。
- 参考スコア（独自算出の注目度）: 14.049479722250835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network momentum provides a novel type of risk premium, which exploits the
interconnections among assets in a financial network to predict future returns.
However, the current process of constructing financial networks relies heavily
on expensive databases and financial expertise, limiting accessibility for
small-sized and academic institutions. Furthermore, the traditional approach
treats network construction and portfolio optimisation as separate tasks,
potentially hindering optimal portfolio performance. To address these
challenges, we propose L2GMOM, an end-to-end machine learning framework that
simultaneously learns financial networks and optimises trading signals for
network momentum strategies. The model of L2GMOM is a neural network with a
highly interpretable forward propagation architecture, which is derived from
algorithm unrolling. The L2GMOM is flexible and can be trained with diverse
loss functions for portfolio performance, e.g. the negative Sharpe ratio.
Backtesting on 64 continuous future contracts demonstrates a significant
improvement in portfolio profitability and risk control, with a Sharpe ratio of
1.74 across a 20-year period.
- Abstract（参考訳）: ネットワークモーメントは、金融ネットワーク内の資産間の相互接続を利用して将来のリターンを予測する新しいタイプのリスクプレミアムを提供する。
しかし、現在の金融ネットワーク構築のプロセスは、小規模・学術機関へのアクセシビリティを制限し、高価なデータベースと金融専門知識に大きく依存している。
さらに、従来のアプローチでは、ネットワーク構築とポートフォリオ最適化を別々のタスクとして扱い、ポートフォリオパフォーマンスの最適化を妨げる可能性がある。
これらの課題に対処するために,金融ネットワークを同時に学習し,取引信号をネットワークのモーメント戦略に最適化するエンドツーエンド機械学習フレームワークL2GMOMを提案する。
L2GMOMのモデルは、高度に解釈可能な前方伝播アーキテクチャを持つニューラルネットワークであり、アルゴリズムのアンローリングから導かれる。
L2GMOMは柔軟性があり、例えば負のシャープ比のようなポートフォリオ性能のために多様な損失関数で訓練することができる。
64の継続的未来契約のバックテストは、ポートフォリオの利益率とリスクコントロールが大幅に向上し、20年間に1.74パーセントのシャープさを示した。
関連論文リスト
- Dynamic Portfolio Rebalancing: A Hybrid new Model Using GNNs and Pathfinding for Cost Efficiency [0.0]
本稿では,取引コストを予測するグラフニューラルネットワーク(GNN)と,コスト効率の高いリバランスパスを特定するDijkstraのアルゴリズムを統合することで,ポートフォリオのリバランスを最適化する新たなアプローチを提案する。
実証的な結果は、このハイブリッドアプローチが取引コストを大幅に削減し、ポートフォリオマネージャに強力なツールを提供することを示している。
論文 参考訳（メタデータ） (2024-10-02T11:00:52Z) - Large-scale Time-Varying Portfolio Optimisation using Graph Attention Networks [4.2056926734482065]
これはリスクの高い企業を取り入れ、ポートフォリオの最適化に全企業を使う最初の研究だ。
グラフ注意ネットワーク(GAT)を利用した新しい手法の提案と実証試験を行った。
GATは、ネットワークデータを利用して非線形関係を明らかにするディープラーニングベースのモデルである。
論文 参考訳（メタデータ） (2024-07-22T10:50:47Z) - 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) - Predictive AI for SME and Large Enterprise Financial Performance
Management [0.0]
バランスシートと所得計算の標準比率を補完する新しい金融・マクロ経済比率を紹介します。
また、企業パフォーマンスを予測するための教師付き学習モデル(MLレグレッタとニューラルネットワーク)とベイジアンモデルも提供します。
提案した変数は,標準産業比率に比例してモデル精度を向上させることができると結論づける。
論文 参考訳（メタデータ） (2023-09-22T11:04:32Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - 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) - 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) - Detecting and adapting to crisis pattern with context based Deep
Reinforcement Learning [6.224519494738852]
本稿では、2つのサブネットワークで構成された革新的なDRLフレームワークを提案する。
テストセットの結果、このアプローチはMarkowitzのような従来のポートフォリオ最適化手法を大幅に上回っており、現在のCovidのような危機を検出し予測することができる。
論文 参考訳（メタデータ） (2020-09-07T12:11:08Z) - Neural Network-based Automatic Factor Construction [58.96870869237197]
本稿ではニューラルネットワークを用いた自動ファクタ構築(NNAFC)を提案する。
NNAFCは、金融分野の知識に基づいて、様々な金融要因を自動構築することができる。
NNAFCによって構築された新しい要因は、常にリターン、シャープ比、多要素量的投資戦略の最大引き出しを改善することができる。
論文 参考訳（メタデータ） (2020-08-14T07:44:49Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
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。