論文の概要: DeepTraderX: Challenging Conventional Trading Strategies with Deep Learning in Multi-Threaded Market Simulations

• arxiv url: http://arxiv.org/abs/2403.18831v1
• Date: Tue, 6 Feb 2024 14:20:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 02:34:48.477827
• Title: DeepTraderX: Challenging Conventional Trading Strategies with Deep Learning in Multi-Threaded Market Simulations
• Title（参考訳）: DeepTraderX:マルチスレッド市場シミュレーションにおけるDeep Learningによる従来型トレーディング戦略の整合化
• Authors: Armand Mihai Cismaru,
• Abstract要約: DeepTraderX(DTX)は、Deep Learningベースのシンプルなトレーダーです。 マルチスレッド市場シミュレーションにおいて,その性能を示す結果を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we introduce DeepTraderX (DTX), a simple Deep Learning-based trader, and present results that demonstrate its performance in a multi-threaded market simulation. In a total of about 500 simulated market days, DTX has learned solely by watching the prices that other strategies produce. By doing this, it has successfully created a mapping from market data to quotes, either bid or ask orders, to place for an asset. Trained on historical Level-2 market data, i.e., the Limit Order Book (LOB) for specific tradable assets, DTX processes the market state $S$ at each timestep $T$ to determine a price $P$ for market orders. The market data used in both training and testing was generated from unique market schedules based on real historic stock market data. DTX was tested extensively against the best strategies in the literature, with its results validated by statistical analysis. Our findings underscore DTX's capability to rival, and in many instances, surpass, the performance of public-domain traders, including those that outclass human traders, emphasising the efficiency of simple models, as this is required to succeed in intricate multi-threaded simulations. This highlights the potential of leveraging "black-box" Deep Learning systems to create more efficient financial markets.
• Abstract（参考訳）: 本稿では,DeepTraderX(DTX)について紹介し,その性能をマルチスレッド市場シミュレーションで示す。 DTXは、およそ500の模擬市場デーにおいて、他の戦略が生み出す価格を見ることでのみ学んでいる。 これを行うことで、市場データから、入札または注文のどちらかの引用へのマッピングを成功させ、資産の配置を可能にした。 歴史あるレベル2市場データ、すなわち特定のトレーダブル資産のリミット・オーダー・ブック(LOB)に基づいて、DTXは市場状態の$S$を各時点の$T$で処理し、市場注文の$P$を決定する。 トレーニングとテストの両方で使用される市場データは、実歴史ある株式市場のデータに基づいて、ユニークな市場スケジュールから生成される。 DTXは文献の最良の戦略に対して広範囲に試験され、その結果は統計的分析によって検証された。 この結果から,DTXの競合能力は,複雑なマルチスレッドシミュレーションを成功させる上で必要となる,シンプルなモデルの効率を重視した,非クラスな人的トレーダーを含むパブリックドメイントレーダーのパフォーマンスを上回るものが多い。 これは、より効率的な金融市場を構築するために、"ブラックボックス"なディープラーニングシステムを活用する可能性を強調します。

関連論文リスト

• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
  フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。 本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:25:53Z)
• Dynamic Datasets and Market Environments for Financial Reinforcement Learning [68.11692837240756]
  FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。 我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。 また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
  論文  参考訳（メタデータ） (2023-04-25T22:17:31Z)
• Do Deep Learning Models and News Headlines Outperform Conventional Prediction Techniques on Forex Data? [0.0]
  為替市場(英: Foreign Exchange、略称:FOREX)は、通貨の為替市場である。 新型コロナウイルス(COVID-19)や地方選挙といった最近のパンデミックのシナリオも、市場価格に大きな影響を及ぼす可能性がある。 本研究では,様々な予測を,ニュース項目などの外部要素と比較した。
  論文  参考訳（メタデータ） (2022-05-22T05:05:31Z)
• FinRL-Meta: A Universe of Near-Real Market Environments for Data-Driven Deep Reinforcement Learning in Quantitative Finance [58.77314662664463]
  FinRL-Metaは、データ駆動型金融強化学習のための市場環境の宇宙を構築している。 まず、FinRL-MetaはDRLベースの戦略の設計パイプラインから財務データ処理を分離する。 第2に、FinRL-Metaは様々な取引タスクに数百の市場環境を提供している。
  論文  参考訳（メタデータ） (2021-12-13T16:03:37Z)
• Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
  本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。 模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
  論文  参考訳（メタデータ） (2021-12-08T14:55:21Z)
• Learning who is in the market from time series: market participant discovery through adversarial calibration of multi-agent simulators [0.0]
  電子取引市場では、価格またはボリューム時系列のみが直接観測可能である。 本研究では,実物と偽物とを区別できる識別器を2段階に分けて学習する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-02T06:53:37Z)
• Deep Reinforcement Learning in Quantitative Algorithmic Trading: A Review [0.0]
  深層強化学習エージェントはChessやGoといった多くのゲームで想定される力であることが証明された。 本稿では、ファイナンスにおけるAIのサブドメインにおける深層強化学習の進歩を概観する。 我々は、株取引におけるDRLは、強い前提の下でプロのトレーダーと競合する可能性が大きいと結論付けている。
  論文  参考訳（メタデータ） (2021-05-31T22:26:43Z)
• Application of Three Different Machine Learning Methods on Strategy Creation for Profitable Trades on Cryptocurrency Markets [0.0]
  3つの暗号市場の方向検出問題に対して、k-Nearest Neighbours、eXtreme Gradient Boosting、Random Forest分類器を適用する。 未確認のデータに関する当社のテスト結果は、専門家システムを持つ投資家が市場を搾取し、利益を得るのを助けるこのアプローチに大きな可能性を示しています。
  論文  参考訳（メタデータ） (2021-05-14T13:42:46Z)
• OSOUM Framework for Trading Data Research [79.0383470835073]
  私たちは、私たちの知る限り、最初のオープンソースのシミュレーションプラットフォームであるOpen SOUrce Market Simulator(OSOUM)を提供して、トレーディング市場、特にデータ市場を分析します。 我々は、購入に利用可能なさまざまなデータセットを所有する売り手と、購入に有効な適切なデータセットを検索する買い手という2つのタイプのエージェントからなる、特定のデータ市場モデルを記述し、実装する。 データ市場を扱うための商用フレームワークはすでに存在していますが、購入者および販売者の両方が(データ)市場に参加することの可能な振る舞いをシミュレートするための、自由で広範なエンドツーエンドの研究ツールを提供しています。
  論文  参考訳（メタデータ） (2021-02-18T09:20:26Z)
• Trader-Company Method: A Metaheuristic for Interpretable Stock Price Prediction [3.9189409002585562]
  金融市場では、機械学習ベースのモデルの実践的応用を妨げるいくつかの課題がある。 本稿では,金融機関とトレーダーの役割を模倣する新たな進化モデルであるTrader-Company法を提案する。 トレーダーと呼ばれる複数の弱い学習者からの提案を集約し、将来の株式リターンを予測します。
  論文  参考訳（メタデータ） (2020-12-18T13:19:27Z)

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。