論文の概要: Analysis of frequent trading effects of various machine learning models
- arxiv url: http://arxiv.org/abs/2311.10719v1
- Date: Thu, 14 Sep 2023 05:17:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 16:12:51.048393
- Title: Analysis of frequent trading effects of various machine learning models
- Title（参考訳）: 各種機械学習モデルの頻繁な取引効果の解析
- Authors: Jiahao Chen, Xiaofei Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.975239844705415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, high-frequency trading has emerged as a crucial strategy in
stock trading. This study aims to develop an advanced high-frequency trading
algorithm and compare the performance of three different mathematical models:
the combination of the cross-entropy loss function and the quasi-Newton
algorithm, the FCNN model, and the vector machine. The proposed algorithm
employs neural network predictions to generate trading signals and execute buy
and sell operations based on specific conditions. By harnessing the power of
neural networks, the algorithm enhances the accuracy and reliability of the
trading strategy. To assess the effectiveness of the algorithm, the study
evaluates the performance of the three mathematical models. The combination of
the cross-entropy loss function and the quasi-Newton algorithm is a widely
utilized logistic regression approach. The FCNN model, on the other hand, is a
deep learning algorithm that can extract and classify features from stock data.
Meanwhile, the vector machine is a supervised learning algorithm recognized for
achieving improved classification results by mapping data into high-dimensional
spaces. By comparing the performance of these three models, the study aims to
determine the most effective approach for high-frequency trading. This research
makes a valuable contribution by introducing a novel methodology for
high-frequency trading, thereby providing investors with a more accurate and
reliable stock trading strategy.
- Abstract（参考訳）: 近年、高周波取引が株式取引の重要な戦略として浮上している。
本研究では,高度な高周波取引アルゴリズムを開発し,クロスエントロピー損失関数と準ニュートンアルゴリズム,FCNNモデル,ベクトルマシンの3つの数学モデルの性能を比較することを目的とする。
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,特定の条件に基づいて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。
アルゴリズムの有効性を評価するために、3つの数学的モデルの性能を評価する。
クロスエントロピー損失関数と準ニュートンアルゴリズムの組み合わせは、広く利用されているロジスティック回帰手法である。
一方、FCNNモデルは、ストックデータから特徴を抽出し分類できるディープラーニングアルゴリズムである。
一方、ベクトルマシンは、データを高次元空間にマッピングして分類結果を改善するために認識される教師付き学習アルゴリズムである。
この3つのモデルの性能を比較することで、この研究は高周波取引の最も効果的なアプローチを決定することを目的としている。
この研究は、投資家により正確で信頼性の高い株式取引戦略を提供するために、高頻度取引の新しい手法を導入することで、価値ある貢献をする。
関連論文リスト
- AI-Powered Energy Algorithmic Trading: Integrating Hidden Markov Models with Neural Networks [0.0]
本研究では,HMM(Hidden Markov Models)とニューラルネットワークを組み合わせた新たなアプローチを提案する。
新型コロナウイルスの期間(2019-2022年)に、この二重モデルアプローチはシャープ比0.77で83%のリターンを達成した。
論文 参考訳（メタデータ） (2024-07-29T10:26:52Z) - Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market [0.0]
本研究は,グラフクラスタリングアルゴリズムに基づく統計仲裁の新しい枠組みに基づく効果的な戦略の開発を目指す。
この研究は、最適な信号検出とリスク管理のための統合的なアプローチを提供することを目指している。
論文 参考訳（メタデータ） (2024-06-15T17:25:32Z) - 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) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Compatible deep neural network framework with financial time series
data, including data preprocessor, neural network model and trading strategy [2.347843817145202]
この研究は、新しいディープニューラルネットワークアーキテクチャと、それらをモデルに供給する前に、財務データをどのように準備するかという新しいアイデアを紹介する。
この手法を評価するために3つの異なるデータセットが使用され、その結果、このフレームワークが有益でロバストな予測を私たちに提供できることが示されている。
論文 参考訳（メタデータ） (2022-05-11T20:44:08Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - MCTG:Multi-frequency continuous-share trading algorithm with GARCH based
on deep reinforcement learning [5.1727003187913665]
そこで本研究では,garch (mctg) を用いたマルチ周波数連続共有トレーディングアルゴリズムを提案する。
強化学習アルゴリズムの連続的な動作空間を持つ後者は、株式取引の問題を解決するために使用される。
中国株式市場の異なる業界での実験では、基本的なDRL法やベンチモデルと比較して余分な利益が得られている。
論文 参考訳（メタデータ） (2021-05-08T08:00:56Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - An Application of Deep Reinforcement Learning to Algorithmic Trading [4.523089386111081]
本稿では, 深部強化学習(DRL)に基づくアルゴリズム取引問題の解法を提案する。
幅広い株式市場でシャープ比のパフォーマンス指標を最大化するために、新しいDRLトレーディング戦略を提案する。
得られた強化学習 (RL) エージェントのトレーニングは, 限られた市場履歴データから人工軌道を生成することに基づいている。
論文 参考訳（メタデータ） (2020-04-07T14:57:23Z)
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。