論文の概要: Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies
- arxiv url: http://arxiv.org/abs/2310.10500v2
- Date: Thu, 28 Mar 2024 16:30:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-29 21:43:17.449934
- Title: Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies
- Title(参考訳): トレンド追従戦略のための金融時系列学習パターン
- Authors: Kieran Wood, Samuel Kessler, Stephen J. Roberts, Stefan Zohren,
- Abstract要約: 本稿では,新しい市場環境に迅速に適応できる時系列トレンド追従予測器を提案する。
X-Trendは、金融時系列体制のコンテキストセットに参画する役割を担っている。
新型コロナウイルス(COVID-19)の減少から回復する戦略は、ニューラルネットワークによる時系列トレンド予測の2倍の速さで回復する。
- 参考スコア(独自算出の注目度): 19.781410315594144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting models for systematic trading strategies do not adapt quickly when financial market conditions rapidly change, as was seen in the advent of the COVID-19 pandemic in 2020, causing many forecasting models to take loss-making positions. To deal with such situations, we propose a novel time-series trend-following forecaster that can quickly adapt to new market conditions, referred to as regimes. We leverage recent developments from the deep learning community and use few-shot learning. We propose the Cross Attentive Time-Series Trend Network -- X-Trend -- which takes positions attending over a context set of financial time-series regimes. X-Trend transfers trends from similar patterns in the context set to make forecasts, then subsequently takes positions for a new distinct target regime. By quickly adapting to new financial regimes, X-Trend increases Sharpe ratio by 18.9% over a neural forecaster and 10-fold over a conventional Time-series Momentum strategy during the turbulent market period from 2018 to 2023. Our strategy recovers twice as quickly from the COVID-19 drawdown compared to the neural-forecaster. X-Trend can also take zero-shot positions on novel unseen financial assets obtaining a 5-fold Sharpe ratio increase versus a neural time-series trend forecaster over the same period. Furthermore, the cross-attention mechanism allows us to interpret the relationship between forecasts and patterns in the context set.
- Abstract(参考訳): 2020年の新型コロナウイルス(COVID-19)パンデミックの出現で見られたように、金融市場の状況が急速に変化しても、体系的な貿易戦略の予測モデルは急速に適応せず、多くの予測モデルが損失を生んでいる。
このような状況に対処するため、我々は、新しい市場状況に迅速に適応できる、新しい時系列トレンド追従予測器を提案する。
私たちは、ディープラーニングコミュニティからの最近の開発を活用し、ほとんどショットラーニングを使用します。
我々は、金融時系列体制のコンテキストセットに参画するクロス・アテンティブ・時系列トレンド・ネットワーク(X-Trend)を提案する。
X-Trendは、予測するために設定されたコンテキスト内の類似パターンからトレンドを転送し、その後、新しい異なるターゲットレジームのポジションを取る。
新たな金融体制に迅速に適応することで、2018年から2023年までの混乱期における従来の時系列モメンタム戦略よりも、ニューラル予測器よりもシャープ比が18.9%上昇し、10倍上昇する。
われわれの戦略は、ニューラル・フォカスターの2倍の速さで回復する。
また、X-Trendは5倍のシャープ比を、同じ期間にニューラルな時系列トレンド予測器から得ることで、新規の目に見えない金融資産のゼロショットポジションを取ることもできる。
さらに、クロスアテンション機構により、コンテキストセット内の予測とパターンの関係を解釈することができる。
関連論文リスト
- From attention to profit: quantitative trading strategy based on transformer [1.6006550105523192]
この研究は2010年から2019年にかけて、中国資本市場における4,601株の5000,000以上の転がるデータを集めている。
市場感情情報とともに要因を確立するために,このモデルの革新的利用変換器は,取引信号の精度を著しく向上させることが示されている。
論文 参考訳(メタデータ) (2024-03-30T17:18:00Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - 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) - Regime-based Implied Stochastic Volatility Model for Crypto Option
Pricing [0.0]
既存の手法は、新興デジタルアセット(DA)の揮発性の性質に対処できない
インプリッドボラティリティモデル(ISVM)による市場システム(MR)クラスタリングの最近の進歩を活用する。
ISVMは、インプリートボラティリティ(IV)データを使用することで、各感情駆動期間に投資家の期待を組み込むことができる。
MR-ISVMは,オプション価格モデルの高次特性におけるジャンプへの複雑な適応の負担を克服するために有効であることを示す。
論文 参考訳(メタデータ) (2022-08-15T15:31:42Z) - Forecasting of Non-Stationary Sales Time Series Using Deep Learning [0.0]
本稿では,ニューラルネットワークモデルにおける時間トレンド補正を用いた非定常時系列予測のためのディープラーニング手法について述べる。
その結果, 予測精度は, トレンド補正ブロックを用いて, 時間的傾向のある非定常販売において本質的に向上できることが示唆された。
論文 参考訳(メタデータ) (2022-05-23T21:06:27Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳(メタデータ) (2021-09-14T18:50:38Z) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳(メタデータ) (2021-07-05T10:15:23Z) - Slow Momentum with Fast Reversion: A Trading Strategy Using Deep
Learning and Changepoint Detection [2.9005223064604078]
我々は、Deep Momentum Network (DMN) パイプラインにオンライン変更点検出(CPD)モジュールを導入する。
我々のCPDモジュールは、変化点の位置と重大度スコアを出力し、モデルが不均衡の度合いに反応することを学べる。
1990-2020年の間、50, Liquid, Continuous Futures のポートフォリオを使用して CPD モジュールを追加することで、Sharpe 比が 33%$ になる。
論文 参考訳(メタデータ) (2021-05-28T10:46:53Z) - Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction
with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。
表現学習によって、私たちはStock2Vecという埋め込みを導きました。
我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-09-29T22:54:30Z) - Parallel Extraction of Long-term Trends and Short-term Fluctuation
Framework for Multivariate Time Series Forecasting [14.399919351944677]
時系列には、長期傾向と短期変動という2つの特徴がある。
既存の予測手法は両者を区別しないことが多いため、予測モデルの精度は低下する。
3つの予測サブネットワークを構築し、予測すべき長期的な傾向、短期的な変動、最終的な値を予測する。
論文 参考訳(メタデータ) (2020-08-18T03:55:29Z)
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。