Fugu-MT 論文翻訳(概要): Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies

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

BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文参考訳（メタデータ） (2024-11-09T05:40:32Z)
Composing Ensembles of Instrument-Model Pairs for Optimizing Profitability in Algorithmic Trading [0.0]
本稿では,短期的な物価変動を予測することの難しさに対処するため,金融商品の日価方向予測システムについて述べる。戦略は幅広い金融商品や時間枠で実証され、ベンチマークよりも20%改善された。
論文参考訳（メタデータ） (2024-11-06T18:17:26Z)
Volatility Forecasting in Global Financial Markets Using TimeMixer [0.21756081703276003]
私は、世界の金融資産のボラティリティを予測するために、最先端の時系列予測モデルであるTimeMixerを適用します。 TimeMixerは、異なるスケールにわたるデータを分析することで、短期パターンと長期パターンの両方を効果的にキャプチャする。私の経験から、TimeMixerは短期的なボラティリティ予測では極めてよく機能するが、長期的な予測では精度が低下することがわかった。
論文参考訳（メタデータ） (2024-09-27T17:35:28Z)
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)
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。