論文の概要: Detecting and Triaging Spoofing using Temporal Convolutional Networks

• arxiv url: http://arxiv.org/abs/2403.13429v1
• Date: Wed, 20 Mar 2024 09:17:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 17:28:32.124825
• Title: Detecting and Triaging Spoofing using Temporal Convolutional Networks
• Title（参考訳）: 時間畳み込みネットワークを用いたスポーフィングの検出と試行
• Authors: Kaushalya Kularatnam, Tania Stathaki,
• Abstract要約: アルゴリズム取引と電子市場は 金融市場の状況を変え続けています 本稿では,市場操作を検出する領域において,様々な問題に容易に対応可能なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.24302896438145
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: As algorithmic trading and electronic markets continue to transform the landscape of financial markets, detecting and deterring rogue agents to maintain a fair and efficient marketplace is crucial. The explosion of large datasets and the continually changing tricks of the trade make it difficult to adapt to new market conditions and detect bad actors. To that end, we propose a framework that can be adapted easily to various problems in the space of detecting market manipulation. Our approach entails initially employing a labelling algorithm which we use to create a training set to learn a weakly supervised model to identify potentially suspicious sequences of order book states. The main goal here is to learn a representation of the order book that can be used to easily compare future events. Subsequently, we posit the incorporation of expert assessment to scrutinize specific flagged order book states. In the event of an expert's unavailability, recourse is taken to the application of a more complex algorithm on the identified suspicious order book states. We then conduct a similarity search between any new representation of the order book against the expert labelled representations to rank the results of the weak learner. We show some preliminary results that are promising to explore further in this direction
• Abstract（参考訳）: アルゴリズムによる取引と電子市場が金融市場の状況を変え続けているため、公正で効率的な市場を維持するために、不正なエージェントを検知・抑止することが不可欠である。 大規模なデータセットの爆発と取引の継続的に変化するトリックは、新しい市場の状況に適応し、悪いアクターを検出するのを困難にしている。 そこで本研究では,市場操作を検出する領域において,様々な問題に容易に対応可能なフレームワークを提案する。 当社のアプローチでは,まず最初に,注文帳状態の潜在的疑わしいシーケンスを特定するために,弱教師付きモデルを学ぶためのトレーニングセットを作成するためのラベル付けアルゴリズムを採用しています。 ここでの主な目標は、将来のイベントを簡単に比較するために使用できる注文書の表現を学ぶことです。 その後、専門家による評価を取り入れて、特定のフラグ付き注文書の状態を精査する。 専門家の不可能な場合、疑わしい注文書状態に対するより複雑なアルゴリズムの適用について論じる。 次に,本書の新しい表象と専門家のラベル付き表象との類似性探索を行い,弱い学習者の結果をランク付けする。 我々は、この方向をさらに探求することを約束するいくつかの予備的な結果を示す。

関連論文リスト

• Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
  本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。 計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。 学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
  論文  参考訳（メタデータ） (2024-07-01T16:53:00Z)
• Token-Level Adversarial Prompt Detection Based on Perplexity Measures and Contextual Information [67.78183175605761]
  大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。 この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。 トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-20T03:17:21Z)
• Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
  本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。 ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-11T07:48:39Z)
• Applications of Signature Methods to Market Anomaly Detection [1.911678487931003]
  本稿では,特徴抽出器としてのシグネチャやランダム化シグネチャの異常検出アルゴリズムへの応用について述べる。 暗号通貨市場からの取引データを用いて実生活のアプリケーションを示す。 この場合、F1スコアが最大88%のソーシャルネットワーク上で組織されたポンプとダンプの試行を特定できる。
  論文  参考訳（メタデータ） (2022-01-07T13:05:43Z)
• Algorithmic collusion: A critical review [0.0]
  本稿では,アルゴリズムの共謀に関する文献をレビューし,それを計算機科学の成果に結びつける。 反トラスト法を適用して、実際の市場で衝突する自己学習アルゴリズムを扱うのは時期尚早だが、他のアルゴリズムによる共謀は、すでに法的措置を義務付けているかもしれない。
  論文  参考訳（メタデータ） (2021-10-10T09:14:16Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)
• Taking Over the Stock Market: Adversarial Perturbations Against Algorithmic Traders [47.32228513808444]
  本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。 入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
  論文  参考訳（メタデータ） (2020-10-19T06:28:05Z)
• Sequential Transfer in Reinforcement Learning with a Generative Model [48.40219742217783]
  本稿では,従来の課題から知識を移譲することで,新たな課題を学習する際のサンプルの複雑さを軽減する方法について述べる。 この種の事前知識を使用することのメリットを明確に示すために,PAC境界のサンプル複雑性を導出する。 簡単なシミュレートされた領域における理論的な発見を実証的に検証する。
  論文  参考訳（メタデータ） (2020-07-01T19:53:35Z)
• Sentiment and Knowledge Based Algorithmic Trading with Deep Reinforcement Learning [0.0]
  アルゴリズムトレーディングは、その性質上、現実の世界にはあまりにも多くの変数があり、自動化された株式トレーディングのための信頼性の高いアルゴリズムを持つことはほぼ不可能である。 市場のアップアンドダウンを規定する物理的および生理的要因を考慮に入れた信頼性の高いラベル付きデータの欠如は、信頼できる予測のための教師付き学習の試みを妨げている。 本稿では,従来の時系列株価データとニュース見出しの感情を組み合わせ,暗黙の関係に関するニュースを活用できる知識グラフを活用した強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-01-26T05:27:53Z)

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。