論文の概要: StockFormer: A Swing Trading Strategy Based on STL Decomposition and
Self-Attention Networks
- arxiv url: http://arxiv.org/abs/2401.06139v1
- Date: Thu, 23 Nov 2023 04:33:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 13:03:39.980662
- Title: StockFormer: A Swing Trading Strategy Based on STL Decomposition and
Self-Attention Networks
- Title(参考訳): StockFormer: STL分解と自己注意ネットワークに基づくSwingトレーディング戦略
- Authors: Bohan Ma, Yiheng Wang, Yuchao Lu, Tianzixuan Hu, Jinling Xu, Patrick
Houlihan
- Abstract要約: Stockformerは、スイングトレーディングに最適化された最先端のディープラーニングフレームワークである。
ストックフォーマーは、S&P 500の複雑なデータを使って、株価のリターン予測を洗練させる。
私たちのバックテストでは、ストックホルダーのスイングトレーディング戦略は累積リターンが13.19%、年次リターンが30.80%だった。
- 参考スコア(独自算出の注目度): 0.3495246564946556
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Amidst ongoing market recalibration and increasing investor optimism, the
U.S. stock market is experiencing a resurgence, prompting the need for
sophisticated tools to protect and grow portfolios. Addressing this, we
introduce "Stockformer," a cutting-edge deep learning framework optimized for
swing trading, featuring the TopKDropout method for enhanced stock selection.
By integrating STL decomposition and self-attention networks, Stockformer
utilizes the S&P 500's complex data to refine stock return predictions. Our
methodology entailed segmenting data for training and validation (January 2021
to January 2023) and testing (February to June 2023). During testing,
Stockformer's predictions outperformed ten industry models, achieving superior
precision in key predictive accuracy indicators (MAE, RMSE, MAPE), with a
remarkable accuracy rate of 62.39% in detecting market trends. In our
backtests, Stockformer's swing trading strategy yielded a cumulative return of
13.19% and an annualized return of 30.80%, significantly surpassing current
state-of-the-art models. Stockformer has emerged as a beacon of innovation in
these volatile times, offering investors a potent tool for market forecasting.
To advance the field and foster community collaboration, we have open-sourced
Stockformer, available at https://github.com/Eric991005/Stockformer.
- Abstract(参考訳): 市場再編と投資家の楽観主義の高まりの中で、米国の株式市場は復活し、ポートフォリオの保護と成長のための高度なツールの必要性が高まっている。
そこで我々は,スイングトレーディングに最適化された最先端のディープラーニングフレームワークである"Stockformer"を紹介した。
STL分解と自己アテンションネットワークを統合することで、StockformerはS&P 500の複雑なデータを使用して、ストックリターン予測を洗練する。
提案手法では,訓練と検証のためのセグメンテーションデータ(2021年1月~2023年1月)とテスト(2023年2月~6月)を行った。
試験中、stockformerの予測は10の業界モデルを上回り、主要な予測精度指標(mae、rmse、mape)において優れた精度を達成し、市場のトレンド検出において62.39%という驚くべき精度で達成された。
私たちのバックテストでは、Stockformerのスイングトレーディング戦略は13.19%の累積リターンと30.80%の年次リターンをもたらし、現在の最先端モデルを大きく上回った。
stockformerは、この不安定な時代にイノベーションの指標として登場し、投資家に市場予測のための強力なツールを提供している。
Stockformerはhttps://github.com/Eric991005/Stockformer.comで公開されている。
関連論文リスト
- NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative
Trading [0.0]
NoxTraderはポートフォリオの構築と取引実行のために設計された洗練されたシステムである。
NoxTraderの基本的な学習プロセスは、歴史的取引データから得られた貴重な洞察の同化に根ざしている。
厳密な特徴工学と予測対象の選択により,0.65から0.75の範囲の顕著な相関範囲で予測データを生成することができる。
論文 参考訳(メタデータ) (2023-10-01T17:53:23Z) - 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) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - Empirical Asset Pricing via Ensemble Gaussian Process Regression [4.111899441919165]
我々のアンサンブル学習アプローチは、GPR推論に固有の計算複雑性を著しく減少させる。
本手法は,統計的,経済的に既存の機械学習モデルを支配している。
これは不確実な投資家にアピールし、S&P500を上回る等級と重み付けの予測対象ポートフォリオを圧倒的に上回っている。
論文 参考訳(メタデータ) (2022-12-02T09:37:29Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - 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) - Feature Learning for Stock Price Prediction Shows a Significant Role of
Analyst Rating [0.38073142980733]
5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。
いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。
予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
論文 参考訳(メタデータ) (2021-03-13T03:56:29Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳(メタデータ) (2021-02-15T07:22:09Z) - Deep Learning for Portfolio Optimization [5.833272638548154]
個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。
我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
論文 参考訳(メタデータ) (2020-05-27T21:28:43Z) - A Novel Twitter Sentiment Analysis Model with Baseline Correlation for
Financial Market Prediction with Improved Efficiency [12.060423458650765]
将来の株価FTSE100のリアルタイム予測のために,Twitterの感情スコア(TSS)に基づく新たな感情分析モデルを提案する。
提案したTSSモデルでは,新しいベースライン相関手法が特徴的であり,精度の高い予測精度を示す。
得られたTSSは、将来の株式市場のトレンドを、67.22%の精度で15時間(30労働時間)で予測する。
論文 参考訳(メタデータ) (2020-03-18T10:33:23Z)
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。