論文の概要: Financial Assets Dependency Prediction Utilizing Spatiotemporal Patterns
- arxiv url: http://arxiv.org/abs/2406.11886v1
- Date: Thu, 13 Jun 2024 09:42:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-20 00:55:56.870621
- Title: Financial Assets Dependency Prediction Utilizing Spatiotemporal Patterns
- Title（参考訳）: 時空間パターンを用いた金融資産の依存性予測
- Authors: Haoren Zhu, Pengfei Zhao, Wilfred Siu Hung NG, Dik Lun Lee,
- Abstract要約: 資産の依存関係をADM(Asset Dependency Matrix)としてモデル化する新しいアプローチを提案する。
隣接する画素が物体運動の自然な連続性によって明らかに時間的依存を示すビデオ画像とは異なり、ADMのアセットは自然な順序を持たない。
本研究では,Conal Long Short-Term Memory (ConLSTM) ネットワークを用いたアセット依存ニューラルネットワーク (ADNN) を提案する。
- 参考スコア（独自算出の注目度）: 6.424226384944309
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial assets exhibit complex dependency structures, which are crucial for investors to create diversified portfolios to mitigate risk in volatile financial markets. To explore the financial asset dependencies dynamics, we propose a novel approach that models the dependencies of assets as an Asset Dependency Matrix (ADM) and treats the ADM sequences as image sequences. This allows us to leverage deep learning-based video prediction methods to capture the spatiotemporal dependencies among assets. However, unlike images where neighboring pixels exhibit explicit spatiotemporal dependencies due to the natural continuity of object movements, assets in ADM do not have a natural order. This poses challenges to organizing the relational assets to reveal better the spatiotemporal dependencies among neighboring assets for ADM forecasting. To tackle the challenges, we propose the Asset Dependency Neural Network (ADNN), which employs the Convolutional Long Short-Term Memory (ConvLSTM) network, a highly successful method for video prediction. ADNN can employ static and dynamic transformation functions to optimize the representations of the ADM. Through extensive experiments, we demonstrate that our proposed framework consistently outperforms the baselines in the ADM prediction and downstream application tasks. This research contributes to understanding and predicting asset dependencies, offering valuable insights for financial market participants.
- Abstract（参考訳）: 金融資産は複雑な依存構造を示しており、不安定な金融市場のリスクを軽減するため、投資家は多様化ポートフォリオを作成することが不可欠である。
本稿では、資産の依存関係を資産依存マトリックス(ADM)としてモデル化し、ADMシーケンスを画像シーケンスとして扱う新しい手法を提案する。
これにより、深層学習に基づくビデオ予測手法を利用して、資産間の時空間依存性を捉えることができる。
しかし、隣接する画素が物体運動の自然な連続性によって明らかに時空間依存性を示す画像とは異なり、ADMのアセットは自然な順序を持たない。
これは、ADM予測のための近隣資産間の時空間的依存関係を改善するために、関係資産を整理する上での課題である。
この課題に対処するために,コンボリューショナル・ロング・短期記憶(ConvLSTM)ネットワークを用いたアセット依存ニューラルネットワーク(ADNN)を提案する。
ADNNは静的および動的変換関数を用いてADMの表現を最適化する。広範な実験を通じて、提案するフレームワークがADM予測およびダウンストリームアプリケーションタスクのベースラインを一貫して上回っていることを実証する。
この研究は、資産依存の理解と予測に寄与し、金融市場の参加者に貴重な洞察を提供する。
関連論文リスト
- Asymmetric Reinforcing against Multi-modal Representation Bias [59.685072206359855]
マルチモーダル表現バイアス(ARM)に対する非対称強化法を提案する。
我々のARMは、条件付き相互情報を通じて支配的なモダリティを表現する能力を維持しながら、弱いモダリティを動的に強化する。
我々はマルチモーダル学習の性能を著しく改善し、不均衡なマルチモーダル学習の軽減に顕著な進展をもたらした。
論文 参考訳（メタデータ） (2025-01-02T13:00:06Z) - 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) - Contrastive Learning of Asset Embeddings from Financial Time Series [8.595725772518332]
金融時系列データから資産埋め込みを生成するための,新しいコントラスト学習フレームワークを提案する。
提案手法は,多くのサブウインドウに対するアセットリターンの類似性を利用して,情報的正および負のサンプルを生成する。
実世界のデータセットに関する実験は、ベンチマーク業界分類とポートフォリオ最適化タスクにおける学習した資産埋め込みの有効性を実証している。
論文 参考訳（メタデータ） (2024-07-26T10:26:44Z) - Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。
本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。
我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
論文 参考訳（メタデータ） (2024-02-09T07:45:26Z) - MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive
and Dynamic Stock Investment Prediction [22.430266982219496]
マルチリレーショナルな動的グラフニューラルネットワーク(MDGNN)フレームワークを提案する。
提案するMDGNNフレームワークは,SOTA(state-of-the-art-the-art)ストック投資手法と比較して,公開データセットにおける最高のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-01-19T02:51:29Z) - SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred
from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。
既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。
我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文 参考訳（メタデータ） (2021-11-10T23:26:58Z) - Deep Sequence Modeling: Development and Applications in Asset Pricing [35.027865343844766]
我々は資産のリターンを予測し、人工知能の卓越した技術であるディープシークエンス・モデリングを用いてリスク・プレミアを測定する。
資産の返却は、しばしば従来の時系列モデルでは効果的に捉えられないシーケンシャルな依存を示すため、シーケンスモデリングはデータ駆動アプローチと優れたパフォーマンスで有望な経路を提供する。
論文 参考訳（メタデータ） (2021-08-20T04:40:55Z) - Coordinated Online Learning for Multi-Agent Systems with Coupled
Constraints and Perturbed Utility Observations [91.02019381927236]
本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。
提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
論文 参考訳（メタデータ） (2020-10-21T10:11:17Z) - Parsimonious Quantile Regression of Financial Asset Tail Dynamics via
Sequential Learning [35.34574502348672]
本稿では、金融資産返却の動的テール挙動を学習するための擬似量子回帰フレームワークを提案する。
本モデルは,財務時系列の時間変化特性と非対称ヘビーテール特性の両方をよく捉えている。
論文 参考訳（メタデータ） (2020-10-16T09:35:52Z) - Detecting and adapting to crisis pattern with context based Deep
Reinforcement Learning [6.224519494738852]
本稿では、2つのサブネットワークで構成された革新的なDRLフレームワークを提案する。
テストセットの結果、このアプローチはMarkowitzのような従来のポートフォリオ最適化手法を大幅に上回っており、現在のCovidのような危機を検出し予測することができる。
論文 参考訳（メタデータ） (2020-09-07T12:11:08Z) - A Dependency Syntactic Knowledge Augmented Interactive Architecture for
End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。
このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。
3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-04-04T14:59:32Z)
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。