論文の概要: From attention to profit: quantitative trading strategy based on transformer
- arxiv url: http://arxiv.org/abs/2404.00424v1
- Date: Sat, 30 Mar 2024 17:18:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 03:49:50.855637
- Title: From attention to profit: quantitative trading strategy based on transformer
- Title(参考訳): 注意から利益へ--トランスフォーマーに基づく量的取引戦略
- Authors: Zhaofeng Zhang, Banghao Chen, Shengxin Zhu, Nicolas Langrené,
- Abstract要約: 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。
市場感情情報とともに要因を確立するために,このモデルの革新的利用変換器は,取引信号の精度を著しく向上させることが示されている。
- 参考スコア(独自算出の注目度): 1.6006550105523192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In traditional quantitative trading practice, navigating the complicated and dynamic financial market presents a persistent challenge. Former machine learning approaches have struggled to fully capture various market variables, often ignore long-term information and fail to catch up with essential signals that may lead the profit. This paper introduces an enhanced transformer architecture and designs a novel factor based on the model. By transfer learning from sentiment analysis, the proposed model not only exploits its original inherent advantages in capturing long-range dependencies and modelling complex data relationships but is also able to solve tasks with numerical inputs and accurately forecast future returns over a period. This work collects more than 5,000,000 rolling data of 4,601 stocks in the Chinese capital market from 2010 to 2019. The results of this study demonstrated the model's superior performance in predicting stock trends compared with other 100 factor-based quantitative strategies with lower turnover rates and a more robust half-life period. Notably, the model's innovative use transformer to establish factors, in conjunction with market sentiment information, has been shown to enhance the accuracy of trading signals significantly, thereby offering promising implications for the future of quantitative trading strategies.
- Abstract(参考訳): 伝統的な量的トレーディングの実践では、複雑でダイナミックな金融市場をナビゲートすることは永続的な課題である。
かつての機械学習のアプローチは、様々な市場の変数を完全に把握し、長期的な情報を無視し、利益につながる重要なシグナルに追いつくのに苦労してきた。
本稿では,拡張トランスアーキテクチャを導入し,モデルに基づく新しい要素を設計する。
感情分析から学習を移すことにより、提案モデルは、長距離依存を捕捉し、複雑なデータ関係をモデル化するだけでなく、数値入力でタスクを解くことができ、ある期間における将来のリターンを正確に予測することができる。
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, 転倒率が低く, 半減期がより堅牢な他の100因子量戦略と比較して, 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。
特に、市場感情情報とともに、このモデルの革新的利用変革は、取引信号の正確性を大幅に向上させることで、量的取引戦略の将来に有望な影響をもたらすことが示されている。
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) - Stock Market Sentiment Classification and Backtesting via Fine-tuned
BERT [0.0]
この論文は感情理論から始まり、East Moneyを例に挙げ、対応するストックバーからユーザーコメントのタイトルデータをクロールする。
上記モデルに基づいて、クロールしたユーザコメントデータを感情極性でラベル付けし、得られたラベル情報をAlpha191モデルと組み合わせる。
回帰モデルは、次の5日間の平均価格変化を予測し、自動取引を導く信号として使用する。
論文 参考訳(メタデータ) (2023-09-21T11:26:36Z) - 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) - Joint Latent Topic Discovery and Expectation Modeling for Financial
Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。
このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。
私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文 参考訳(メタデータ) (2023-06-01T01:36:51Z) - Futures Quantitative Investment with Heterogeneous Continual Graph
Neural Network [13.882054287609021]
本研究では,グラフニューラルネットワークに基づく連続学習因子予測器を提案することにより,高周波取引(HFT)における先物価格予測の課題を解決することを目的とする。
このモデルは、マルチ価格理論とリアルタイム市場ダイナミクスを統合し、既存の手法の制限を効果的に回避する。
中国の先物市場における49の商品先物に関する実証実験は、提案されたモデルが予測精度で他の最先端モデルよりも優れていることを示した。
論文 参考訳(メタデータ) (2023-03-29T08:39:36Z) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳(メタデータ) (2022-10-22T14:47:11Z) - 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) - 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) - Predictive intraday correlations in stable and volatile market
environments: Evidence from deep learning [2.741266294612776]
我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。
以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。
ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
論文 参考訳(メタデータ) (2020-02-24T17:19:54Z)
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。