論文の概要: Cryptocurrency Portfolio Optimization by Neural Networks
- arxiv url: http://arxiv.org/abs/2310.01148v1
- Date: Mon, 2 Oct 2023 12:33:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 22:02:21.418009
- Title: Cryptocurrency Portfolio Optimization by Neural Networks
- Title(参考訳): ニューラルネットワークによる暗号ポートフォリオ最適化
- Authors: Quoc Minh Nguyen, Dat Thanh Tran, Juho Kanniainen, Alexandros
Iosifidis, Moncef Gabbouj
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 81.20955733184398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many cryptocurrency brokers nowadays offer a variety of derivative assets
that allow traders to perform hedging or speculation. This paper proposes an
effective algorithm based on neural networks to take advantage of these
investment products. The proposed algorithm constructs a portfolio that
contains a pair of negatively correlated assets. A deep neural network, which
outputs the allocation weight of each asset at a time interval, is trained to
maximize the Sharpe ratio. A novel loss term is proposed to regulate the
network's bias towards a specific asset, thus enforcing the network to learn an
allocation strategy that is close to a minimum variance strategy. Extensive
experiments were conducted using data collected from Binance spanning 19 months
to evaluate the effectiveness of our approach. The backtest results show that
the proposed algorithm can produce neural networks that are able to make
profits in different market situations.
- Abstract(参考訳): 多くの暗号通貨ブローカーは様々なデリバティブ資産を提供しており、トレーダーがヘッジや投機を行うことができる。
本稿では、これらの投資商品を利用する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。
提案アルゴリズムは,一対の負相関資産を含むポートフォリオを構成する。
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ために、ネットワークに最小分散戦略に近い割り当て戦略を学ぶよう強制するために、新たな損失項が提案されている。
提案手法の有効性を評価するため,19ヶ月にわたるBinanceのデータを用いて大規模な実験を行った。
バックテストの結果,提案アルゴリズムは,異なる市場状況で利益を出せるニューラルネットワークを生成できることが示された。
関連論文リスト
- Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳(メタデータ) (2023-09-12T13:03:47Z) - Gated Deeper Models are Effective Factor Learners [0.9137554315375922]
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。
論文 参考訳(メタデータ) (2023-05-18T04:07:47Z) - Robust Training and Verification of Implicit Neural Networks: A
Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。
組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。
MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文 参考訳(メタデータ) (2022-08-08T03:13:24Z) - Efficiently Learning Any One Hidden Layer ReLU Network From Queries [27.428198343906352]
ネットワークへのブラックボックスアクセスを提供するニューラルネットワークアクティベーションを任意の1つの隠蔽層で学習するアルゴリズムを初めて提供する。
最悪のネットワークであっても、完全時間で効率を保証できるのはこれが初めてです。
論文 参考訳(メタデータ) (2021-11-08T18:59:40Z) - Deep Graph Convolutional Reinforcement Learning for Financial Portfolio
Management -- DeepPocket [6.85316573653194]
ポートフォリオマネジメントは、ポートフォリオを構成する資産を継続的に再配置することにより、リスクを最小限に抑えながら投資収益の最大化を目指します。
金融商品間の時間変動関係を活用し,deeppocketと呼ばれるグラフ畳み込み強化学習フレームワークを提案する。
DeepPocketは3つの異なる投資期間で5つの実生活データセットに対して評価される。
論文 参考訳(メタデータ) (2021-05-06T15:07:36Z) - Neural Thompson Sampling [94.82847209157494]
本稿では,ニューラルトンプソンサンプリング(Neural Thompson Smpling)と呼ばれる新しいアルゴリズムを提案する。
我々のアルゴリズムの中核は報酬の新たな後部分布であり、その平均はニューラルネットワーク近似器であり、その分散は対応するニューラルネットワークのニューラル・タンジェントな特徴に基づいて構築されている。
論文 参考訳(メタデータ) (2020-10-02T07:44:09Z) - 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) - Application of Deep Q-Network in Portfolio Management [7.525667739427784]
本稿では,ストックマーケットにおけるポートフォリオ管理のための古典的ディープ強化学習アルゴリズムであるディープQネットワークに基づく戦略を提案する。
Q Learningによって最適化されたディープニューラルネットワークの一種である。
DQNアルゴリズムの利益は他の戦略の利益よりも30%高い。
論文 参考訳(メタデータ) (2020-03-13T16:20:51Z) - ReActNet: Towards Precise Binary Neural Network with Generalized
Activation Functions [76.05981545084738]
本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。
まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。
提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
論文 参考訳(メタデータ) (2020-03-07T02:12:02Z)
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。