論文の概要: Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks

• arxiv url: http://arxiv.org/abs/2401.06139v2
• Date: Mon, 17 Jun 2024 09:38:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 06:54:55.294532
• Title: Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks
• Title（参考訳）: Stockformer: Wavelet Transform と Multi-Task Self-Attention Network に基づく価格変数ストック選択モデル
• Authors: Bohan Ma, Yushan Xue, Yuan Lu, Jing Chen,
• Abstract要約: 本稿では,ウェーブレット変換とマルチタスク自己アテンションネットワークを統合した価格-体積係数ストックセレクションモデルであるStockformerを紹介する。 ストックフォーマーは、株価のリターンを高頻度と低頻度に分解し、長期市場の動向と急激な出来事を注意深く捉えている。 実験結果から、Stockformerは複数の実市場データセットにおいて、既存の先進的な手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 3.7608255115473592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the Chinese stock market continues to evolve and its market structure grows increasingly complex, traditional quantitative trading methods are facing escalating challenges. Particularly, due to policy uncertainty and the frequent market fluctuations triggered by sudden economic events, existing models often struggle to accurately predict market dynamics. To address these challenges, this paper introduces Stockformer, a price-volume factor stock selection model that integrates wavelet transformation and a multitask self-attention network, aimed at enhancing responsiveness and predictive accuracy regarding market instabilities. Through discrete wavelet transform, Stockformer decomposes stock returns into high and low frequencies, meticulously capturing long-term market trends and short-term fluctuations, including abrupt events. Moreover, the model incorporates a Dual-Frequency Spatiotemporal Encoder and graph embedding techniques to effectively capture complex temporal and spatial relationships among stocks. Employing a multitask learning strategy, it simultaneously predicts stock returns and directional trends. Experimental results show that Stockformer outperforms existing advanced methods on multiple real stock market datasets. In strategy backtesting, Stockformer consistently demonstrates exceptional stability and reliability across market conditions-whether rising, falling, or fluctuating-particularly maintaining high performance during downturns or volatile periods, indicating a high adaptability to market fluctuations. To foster innovation and collaboration in the financial analysis sector, the Stockformer model's code has been open-sourced and is available on the GitHub repository: https://github.com/Eric991005/Multitask-Stockformer.
• Abstract（参考訳）: 中国株式市場が発展し、市場構造が複雑化するにつれ、伝統的な量的取引手法はエスカレートする課題に直面している。 特に、政策の不確実性や突然の経済的な出来事によって引き起こされる市場の頻繁な変動により、既存のモデルは市場のダイナミクスを正確に予測するのに苦労することが多い。 これらの課題に対処するため,市場不安定性に関する応答性と予測精度の向上を目的とした,ウェーブレット変換とマルチタスク自己注意ネットワークを統合した価格-体積係数ストックセレクションモデルであるStockformerを紹介した。 離散ウェーブレット変換により、ストックフォーマーは株価のリターンを高頻度と低頻度に分解し、急激な出来事を含む長期市場のトレンドと短期的な変動を注意深く捉えている。 さらに、このモデルには、二重周波数時空間エンコーダとグラフ埋め込み技術が組み込まれ、ストック間の複雑な時間的および空間的関係を効果的に捉えることができる。 マルチタスク学習戦略を採用することで、株価のリターンと方向性の傾向を同時に予測する。 実験結果から、Stockformerは複数の実市場データセットにおいて、既存の先進的な手法よりも優れていることが示された。 ストラテジーバックテストにおいて、Stockformerは、ダウンターンや揮発性の期間に特に高いパフォーマンスを維持し、市場の変動に高い適応性を示すような、市場条件全体にわたる例外的な安定性と信頼性を一貫して示している。 金融分析分野におけるイノベーションとコラボレーションを促進するため、Stockformerモデルのコードはオープンソースとして公開され、GitHubリポジトリで公開されている。

関連論文リスト

• Learning Universal Multi-level Market Irrationality Factors to Improve Stock Return Forecasting [22.086070375026303]
  我々は、株価のリターン予測を強化するために、ユニバーサルマルチレベル市場不合理因子モデルを提案する。 UMIモデルは、市場における不合理な振る舞いを個々の株と市場レベルの両方から反映できる要因を学習する。
  論文  参考訳（メタデータ） (2025-02-07T08:10:24Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• MCI-GRU: Stock Prediction Model Based on Multi-Head Cross-Attention and Improved GRU [15.232546605091818]
  本稿では,多頭部クロスアテンション機構と改良型GRUに基づくストック予測モデルMCI-GRUを提案する。 4つの主要株式市場での実験では、提案手法は複数の指標でSOTA技術を上回っている。
  論文  参考訳（メタデータ） (2024-09-25T14:37:49Z)
• Quantformer: from attention to profit with a quantitative transformer trading strategy [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。 本研究は、他の100因子量的戦略と比較して、株価トレンド予測におけるモデルの性能が優れていることを示した。
  論文  参考訳（メタデータ） (2024-03-30T17:18:00Z)
• 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)
• 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)
• Deep Stochastic Volatility Model [3.3970049571884204]
  本論文では, 深部潜在変数モデルの枠組みに基づく深部ボラティリティモデル(DSVM)を提案する。 フレキシブルなディープラーニングモデルを使用して、過去のリターンに対する将来のボラティリティの依存性を自動的に検出する。 実データ分析では、DSVMはいくつかの一般的な代替ボラティリティモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-02-25T03:25:33Z)
• 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)
• A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding [69.37299910149981]
  再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。 欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。 本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。 その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
  論文  参考訳（メタデータ） (2020-04-13T13:50:13Z)

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。