論文の概要: RAGIC: Risk-Aware Generative Adversarial Model for Stock Interval Construction

• arxiv url: http://arxiv.org/abs/2402.10760v1
• Date: Fri, 16 Feb 2024 15:34:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 15:25:36.301941
• Title: RAGIC: Risk-Aware Generative Adversarial Model for Stock Interval Construction
• Title（参考訳）: RAGIC:ストックインターバル構築のためのリスク対応型生成逆数モデル
• Authors: Jingyi Gu, Wenlu Du, Guiling Wang
• Abstract要約: 既存の予測アプローチの多くは、効果的な意思決定に必要な深さを欠いて、単一ポイントの予測に焦点を当てている。 本稿では,不確実性をより効果的に定量化するために,ストック間隔予測のためのシーケンス生成を導入するRAGICを提案する。 RAGICのジェネレータには、情報投資家のリスク認識をキャプチャするリスクモジュールと、歴史的価格動向と季節性を考慮した時間モジュールが含まれている。
• 参考スコア（独自算出の注目度）: 4.059196561157555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efforts to predict stock market outcomes have yielded limited success due to the inherently stochastic nature of the market, influenced by numerous unpredictable factors. Many existing prediction approaches focus on single-point predictions, lacking the depth needed for effective decision-making and often overlooking market risk. To bridge this gap, we propose a novel model, RAGIC, which introduces sequence generation for stock interval prediction to quantify uncertainty more effectively. Our approach leverages a Generative Adversarial Network (GAN) to produce future price sequences infused with randomness inherent in financial markets. RAGIC's generator includes a risk module, capturing the risk perception of informed investors, and a temporal module, accounting for historical price trends and seasonality. This multi-faceted generator informs the creation of risk-sensitive intervals through statistical inference, incorporating horizon-wise insights. The interval's width is carefully adjusted to reflect market volatility. Importantly, our approach relies solely on publicly available data and incurs only low computational overhead. RAGIC's evaluation across globally recognized broad-based indices demonstrates its balanced performance, offering both accuracy and informativeness. Achieving a consistent 95% coverage, RAGIC maintains a narrow interval width. This promising outcome suggests that our approach effectively addresses the challenges of stock market prediction while incorporating vital risk considerations.
• Abstract（参考訳）: 株式市場の結果を予測する努力は、多くの予測不能な要因の影響を受けて、市場の本質的に確率的な性質のため、限られた成功に繋がった。 既存の予測アプローチの多くは単一ポイント予測に重点を置いており、効果的な意思決定に必要な深さを欠き、しばしば市場リスクを見落としている。 そこで本研究では,不確実性をより効果的に定量化するために,在庫間隔予測のためのシーケンス生成を導入する新しいモデルであるragicを提案する。 提案手法は,GAN(Generative Adversarial Network)を利用して,金融市場固有のランダムな価格列を生成する。 RAGICのジェネレータには、情報投資家のリスク認識をキャプチャするリスクモジュールと、歴史的価格動向と季節性を考慮した時間モジュールが含まれている。 この多面発生器は、統計的推測を通じて、水平方向の洞察を取り入れたリスク感受性区間の作成を通知する。 間隔の幅は市場のボラティリティを反映して慎重に調整される。 重要なことは、我々のアプローチは一般に利用可能なデータにのみ依存しており、計算オーバーヘッドが低いだけである。 ragicのグローバルに認識された広範な指標に対する評価は、そのバランスの取れたパフォーマンスを示し、正確性と情報性の両方を提供する。 一貫した95%のカバレッジを達成するため、RAGICは狭い間隔幅を維持している。 この有望な結果は,本手法が重要なリスク考慮を取り入れつつ,株式市場予測の課題に効果的に対処することを示唆している。

関連論文リスト

• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• 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)
• Stock Broad-Index Trend Patterns Learning via Domain Knowledge Informed Generative Network [2.1163070161951865]
  本稿では、市場固有の特性を意図的に設計したインデックスGANを提案する。 また、実数列と予測列の間のワッサーシュタイン距離を近似するために批判を利用する。
  論文  参考訳（メタデータ） (2023-02-27T21:56:56Z)
• Adaptive Risk-Aware Bidding with Budget Constraint in Display Advertising [47.14651340748015]
  本稿では,強化学習による予算制約を考慮した適応型リスク対応入札アルゴリズムを提案する。 リスク・アット・バリュー(VaR)に基づく不確実性とリスク傾向の本質的関係を理論的に明らかにする。
  論文  参考訳（メタデータ） (2022-12-06T18:50:09Z)
• RAP: Risk-Aware Prediction for Robust Planning [21.83865866611308]
  軌道上のリスクバイアス分布を学習するための新しい予測手法を提案する。 これにより、オンライン計画中のリスク推定のサンプルの複雑さが軽減される。
  論文  参考訳（メタデータ） (2022-10-04T04:19:15Z)
• Probable Domain Generalization via Quantile Risk Minimization [90.15831047587302]
  ドメインの一般化は、目に見えないテスト分布でうまく機能する予測子を求める。 我々はDGのための新しい確率的フレームワークを提案し、高い確率でよく動作する予測器を学習することを目指している。
  論文  参考訳（メタデータ） (2022-07-20T14:41:09Z)
• Price Interpretability of Prediction Markets: A Convergence Analysis [6.623653707600985]
  指数的ユーティリティベース市場におけるエージェント信念の幾何学的平均に制限価格が収束することを示す。 また、制限価格は、エージェントの信念、リスクパラメータ、富をカプセル化する方程式の体系によって特徴づけられることを示す。
  論文  参考訳（メタデータ） (2022-05-18T13:15:11Z)
• 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)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Improving the Robustness of Trading Strategy Backtesting with Boltzmann Machines and Generative Adversarial Networks [0.0]
  この記事では、市場ジェネレータを構築するための機械学習モデルの使用について説明する。 基礎となる考え方は、統計的性質が金融市場に見られるものと同じである人工多次元金融時系列をシミュレートすることである。 そこで本稿では,バックテスト統計の確率分布を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T14:37:45Z)

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。