論文の概要: Mean Absolute Directional Loss as a New Loss Function for Machine
Learning Problems in Algorithmic Investment Strategies
- arxiv url: http://arxiv.org/abs/2309.10546v1
- Date: Tue, 19 Sep 2023 11:52:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 14:43:16.118900
- Title: Mean Absolute Directional Loss as a New Loss Function for Machine
Learning Problems in Algorithmic Investment Strategies
- Title(参考訳): アルゴリズム投資戦略における機械学習問題の新たな損失関数としての平均絶対方向損失
- Authors: Jakub Micha\'nk\'ow, Pawe{\l} Sakowski, Robert \'Slepaczuk
- Abstract要約: 本稿では,金融時系列の予測に使用される機械学習モデルの最適化における適切な損失関数の問題について検討する。
本稿では,従来の予測誤り関数の重要な問題を,予測情報から抽出し,効率的な購買・販売信号を生成する手段として,平均絶対目標損失関数を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper investigates the issue of an adequate loss function in the
optimization of machine learning models used in the forecasting of financial
time series for the purpose of algorithmic investment strategies (AIS)
construction. We propose the Mean Absolute Directional Loss (MADL) function,
solving important problems of classical forecast error functions in extracting
information from forecasts to create efficient buy/sell signals in algorithmic
investment strategies. Finally, based on the data from two different asset
classes (cryptocurrencies: Bitcoin and commodities: Crude Oil), we show that
the new loss function enables us to select better hyperparameters for the LSTM
model and obtain more efficient investment strategies, with regard to
risk-adjusted return metrics on the out-of-sample data.
- Abstract(参考訳): 本稿では、アルゴリズム投資戦略(AIS)構築のために、金融時系列の予測に使用される機械学習モデルの最適化における適切な損失関数の問題を検討する。
アルゴリズム投資戦略において,予測から情報を抽出する際に,従来の予測誤差関数の重要な問題を解消し,効率的な購入/販売信号を生成する平均絶対方向損失(madl)関数を提案する。
最後に、2つの異なる資産クラス(暗号通貨:Bitcoinと商品:Crude Oil)のデータに基づいて、新たな損失関数により、LSTMモデルのより良いハイパーパラメータを選択し、サンプル外のデータに対するリスク調整されたリターンメトリクスに関して、より効率的な投資戦略を得ることができることを示す。
関連論文リスト
- End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳(メタデータ) (2024-02-12T16:33:35Z) - Direct Acquisition Optimization for Low-Budget Active Learning [15.355195433709717]
アクティブラーニング(AL)は、限られたラベル付きデータを持つドメインにデータ集約型機械学習(ML)モデルを統合することで有名になった。
本稿では,従来のALアルゴリズムの低予算環境での性能劣化を実証的に観察する。
そこで我々は,期待される真の損失削減に基づくサンプル選択を最適化する新しいALアルゴリズムであるDAO(Direct Acquisition Optimization)を導入する。
論文 参考訳(メタデータ) (2024-02-08T20:36:21Z) - 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) - Analysis of frequent trading effects of various machine learning models [8.975239844705415]
提案アルゴリズムでは,ニューラルネットワーク予測を用いてトレーディング信号を生成し,売買操作を実行する。
ニューラルネットワークのパワーを活用することで、アルゴリズムはトレーディング戦略の正確性と信頼性を高める。
論文 参考訳(メタデータ) (2023-09-14T05:17:09Z) - Optimizing Stock Option Forecasting with the Assembly of Machine
Learning Models and Improved Trading Strategies [9.553857741758742]
本稿では、機械学習(ML)モデルの適用、取引戦略の改善、ストックオプション予測と取引結果の最適化のための準可逆法(QRM)について紹介する。
論文 参考訳(メタデータ) (2022-11-29T04:01:16Z) - 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) - Loss Function Discovery for Object Detection via Convergence-Simulation
Driven Search [101.73248560009124]
本稿では,効率的な収束シミュレーションによる進化的探索アルゴリズムCSE-Autolossを提案する。
一般的な検出器上での損失関数探索の広範囲な評価を行い、探索された損失の優れた一般化能力を検証した。
実験の結果, 2段検出器と1段検出器のmAPでは, 最適損失関数の組み合わせが1.1%と0.8%を上回っていることがわかった。
論文 参考訳(メタデータ) (2021-02-09T08:34:52Z) - Logistic Q-Learning [87.00813469969167]
MDPにおける最適制御の正規化線形プログラミング定式化から導いた新しい強化学習アルゴリズムを提案する。
提案アルゴリズムの主な特徴は,広範に使用されているベルマン誤差の代わりとして理論的に音声として機能する,政策評価のための凸損失関数である。
論文 参考訳(メタデータ) (2020-10-21T17:14:31Z) - 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) - Learning Adaptive Loss for Robust Learning with Noisy Labels [59.06189240645958]
ロバスト損失は、堅牢な学習問題を扱うための重要な戦略である。
本稿では,強靭なハイパーチューニングが可能なメタ学習手法を提案する。
4種類のSOTA損失関数は, 最小化, 一般利用, 有効性を示す。
論文 参考訳(メタデータ) (2020-02-16T00:53:37Z)
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。