論文の概要: Short-term Volatility Estimation for High Frequency Trades using Gaussian processes (GPs)

• arxiv url: http://arxiv.org/abs/2311.10935v1
• Date: Sat, 18 Nov 2023 02:03:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 13:18:21.889953
• Title: Short-term Volatility Estimation for High Frequency Trades using Gaussian processes (GPs)
• Title（参考訳）: ガウス過程(GP)を用いた高周波取引の短期ボラティリティ推定
• Authors: Leonard Mushunje, Maxwell Mashasha and Edina Chandiwana
• Abstract要約: 投資家のリターンの安全と経済のために、必要で定期的な短期・長期の株価変動予測を行うことが不可欠である。 本稿では,短時間のボラティリティに対する数値モデルと確率モデルの組み合わせと,高周波取引におけるリターン予測を実装した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The fundamental theorem behind financial markets is that stock prices are intrinsically complex and stochastic. One of the complexities is the volatility associated with stock prices. Volatility is a tendency for prices to change unexpectedly [1]. Price volatility is often detrimental to the return economics, and thus, investors should factor it in whenever making investment decisions, choices, and temporal or permanent moves. It is, therefore, crucial to make necessary and regular short and long-term stock price volatility forecasts for the safety and economics of investors returns. These forecasts should be accurate and not misleading. Different models and methods, such as ARCH GARCH models, have been intuitively implemented to make such forecasts. However, such traditional means fail to capture the short-term volatility forecasts effectively. This paper, therefore, investigates and implements a combination of numeric and probabilistic models for short-term volatility and return forecasting for high-frequency trades. The essence is that one-day-ahead volatility forecasts were made with Gaussian Processes (GPs) applied to the outputs of a Numerical market prediction (NMP) model. Firstly, the stock price data from NMP was corrected by a GP. Since it is not easy to set price limits in a market due to its free nature and randomness, a Censored GP was used to model the relationship between the corrected stock prices and returns. Forecasting errors were evaluated using the implied and estimated data.
• Abstract（参考訳）: 金融市場の背後にある基本的な定理は、株価が本質的に複雑で確率的であることである。 複雑さの1つは、株価に伴うボラティリティである。 ボラティリティは、価格が予想外に変化する傾向である[1]。 価格のボラティリティはしばしばリターン経済学に有害であり、投資家は投資決定、選択、時間的または恒久的な動きを行うたびにそれを考慮すべきである。 したがって、投資家の安全と経済のリターンのために、必要かつ定期的な短期的かつ長期的な株価変動予測を行うことが不可欠である。 これらの予測は正確で誤解を招くべきではない。 ARCH GARCHモデルのような様々なモデルや手法が直感的に実装され、そのような予測がなされている。 しかし、このような伝統的な手段は短期的なボラティリティ予測を効果的に捉えられない。 そこで本稿では,短時間のボラティリティに対する数値モデルと確率モデルの組み合わせと,高周波取引におけるリターン予測を検討・実施する。 本研究の目的は,1日ごとのボラティリティ予測を,数値市場予測(NMP)モデルの出力に適用したガウス過程(GP)を用いて行ったことである。 まず、NMPの株価データをGPで補正した。 市場における価格制限の設定は、その自由な性質とランダム性のため容易ではないため、修正された株価とリターンの関係をモデル化するためにCensored GPが使用された。 予測誤差は含意および推定データを用いて評価した。

関連論文リスト

• 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)
• Transformer-Based Deep Learning Model for Stock Price Prediction: A Case Study on Bangladesh Stock Market [0.0]
  本稿では、ダッカ証券取引所(DSE)に上場する8銘柄の価格変動を予測するためのトランスフォーマーモデルの適用に焦点を当てる。 本実験は,ほとんどの株式において有望な結果と許容される根平均二乗誤差を示すものである。
  論文  参考訳（メタデータ） (2022-08-17T14:03:28Z)
• Multivariate Probabilistic Forecasting of Intraday Electricity Prices using Normalizing Flows [62.997667081978825]
  ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。 本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T08:38:20Z)
• 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)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)
• Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories [0.0]
  近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。 時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。 この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
  論文  参考訳（メタデータ） (2020-05-04T10:21:20Z)

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。