論文の概要: Temporal distribution of clusters of investors and their application in prediction with expert advice
- arxiv url: http://arxiv.org/abs/2406.19403v1
- Date: Tue, 4 Jun 2024 15:28:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-07 13:43:41.782066
- Title: Temporal distribution of clusters of investors and their application in prediction with expert advice
- Title（参考訳）: 専門家の助言による投資家集団の時間的分布とその予測への応用
- Authors: Wojciech Wisniewski, Yuri Kalnishkan, David Lindsay, Siân Lindsay,
- Abstract要約: 本研究では,20k外国為替(FX)トレーダーの実際の取引から得られたクラスターの分布を実証することにより,この分野に寄与する。
専門家アドバイスアルゴリズムを用いたオンライン予測アルゴリズムであるAggregating Algorithm (AA) が、上記の実世界のデータに適用でき、トレーダーリスクのポートフォリオのリターンを改善することができることを示す。
- 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: Financial organisations such as brokers face a significant challenge in servicing the investment needs of thousands of their traders worldwide. This task is further compounded since individual traders will have their own risk appetite and investment goals. Traders may look to capture short-term trends in the market which last only seconds to minutes, or they may have longer-term views which last several days to months. To reduce the complexity of this task, client trades can be clustered. By examining such clusters, we would likely observe many traders following common patterns of investment, but how do these patterns vary through time? Knowledge regarding the temporal distributions of such clusters may help financial institutions manage the overall portfolio of risk that accumulates from underlying trader positions. This study contributes to the field by demonstrating that the distribution of clusters derived from the real-world trades of 20k Foreign Exchange (FX) traders (from 2015 to 2017) is described in accordance with Ewens' Sampling Distribution. Further, we show that the Aggregating Algorithm (AA), an on-line prediction with expert advice algorithm, can be applied to the aforementioned real-world data in order to improve the returns of portfolios of trader risk. However we found that the AA 'struggles' when presented with too many trader ``experts'', especially when there are many trades with similar overall patterns. To help overcome this challenge, we have applied and compared the use of Statistically Validated Networks (SVN) with a hierarchical clustering approach on a subset of the data, demonstrating that both approaches can be used to significantly improve results of the AA in terms of profitability and smoothness of returns.
- Abstract（参考訳）: ブローカーのような金融組織は、世界中の数千人のトレーダーの投資ニーズに対処する上で大きな課題に直面している。
個々のトレーダーが独自のリスク食欲と投資目標を持つため、この課題はさらに複雑になる。
トレーダーは市場における短期的なトレンドを数秒から数分で把握するか、あるいは数日から数ヶ月の長期的な見通しを持つかもしれない。
このタスクの複雑さを減らすために、クライアントの取引はクラスタ化できる。
このようなクラスタを調べることで、一般的な投資パターンに従って多くのトレーダーを観察できるでしょうが、これらのパターンは時間によってどのように変化するのでしょうか?
このようなクラスターの時間的分布に関する知識は、金融機関が下層のトレーダーの立場から蓄積したリスクのポートフォリオ全体を管理するのに役立つかもしれない。
本研究は、Ewens' Smpling Distributionに従って、20k外国為替(FX)トレーダーの現実世界取引に由来するクラスタの分布(2015年から2017年まで)が記述されていることを示すことによって、この分野に寄与する。
さらに,提案アルゴリズムを用いたオンライン予測アルゴリズムであるAggregating Algorithm (AA) を実世界のデータに適用することにより,トレーダーリスクのポートフォリオのリターンを改善することができることを示す。
しかし、AA があまりにも多くのトレーダー ` `experts'' で提示されるとき、特に、同様の全体的なパターンを持つ多くのトレーディングがある場合、"綱引き" があることがわかりました。
この課題を克服するために、我々は、統計検証ネットワーク(SVN)をデータのサブセット上で階層的クラスタリングアプローチと比較し、利益率とリターンの滑らかさの観点からAAの結果を大幅に改善できることを示す。
関連論文リスト
- Reinforcement Learning Framework for Quantitative Trading [0.0]
個々の証券の潜在的な市場動向をよりよく理解するために、金融指標の有効利用には大きな断絶がある。
本研究は、金融指標を用いた正と負の購買行動を効果的に区別するRLエージェントの能力を高めることにより、これらの複雑さに対処する試みである。
論文 参考訳（メタデータ） (2024-11-12T06:44:28Z) - Temporal Relational Reasoning of Large Language Models for Detecting Stock Portfolio Crashes [46.259921167692895]
我々はTRR(Temporal Reasoning)というアルゴリズムフレームワークを提案する。
TRRは、複雑な問題解決に使用される人間の認知能力のスペクトルをエミュレートしようとしている。
TRRは、ストックポートフォリオのクラッシュを検出する上で、最先端のソリューションよりも優れていることを示す。
論文 参考訳（メタデータ） (2024-10-07T11:15:52Z) - Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning [1.6574413179773761]
Contrastive Earnings Transformer (CET) は、Contrastive Predictive Coding (CPC) に根ざした自己教師型学習手法である。
我々の研究は、株価データの複雑さを深く掘り下げ、さまざまなモデルが、時間と異なるセクターで急速に変化する収益データの関連性をどのように扱うかを評価している。
CETのCPCに関する基盤は、財務データ時代においても、一貫した株価予測を促進する、微妙な理解を可能にする。
論文 参考訳（メタデータ） (2024-09-25T22:09:59Z) - 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) - 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) - Data Cross-Segmentation for Improved Generalization in Reinforcement
Learning Based Algorithmic Trading [5.75899596101548]
本稿では,学習した予測モデルからの信号に基づいて処理を行う強化学習(RL)アルゴリズムを提案する。
われわれのアルゴリズムは、ブルサ・マレーシアの20年以上のエクイティデータに基づいてテストしている。
論文 参考訳（メタデータ） (2023-07-18T16:00:02Z) - 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) - Deep Learning Statistical Arbitrage [0.0]
本稿では,統計的仲裁のための統一的な概念枠組みを提案し,新しいディープラーニングソリューションを開発した。
我々は、条件付き遅延資産価格要素から残余ポートフォリオとして類似資産の仲裁ポートフォリオを構築する。
我々は、これらの残余ポートフォリオの時系列信号を、最も強力な機械学習時系列ソリューションの1つを用いて抽出する。
論文 参考訳（メタデータ） (2021-06-08T00:48:25Z) - 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) - 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) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
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。