論文の概要: Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management
- arxiv url: http://arxiv.org/abs/2407.13751v1
- Date: Thu, 18 Jul 2024 17:54:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 14:12:02.284505
- Title: Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management
- Title（参考訳）: 株式類似性のための時間的表現学習とその投資管理への応用
- Authors: Yoontae Hwang, Stefan Zohren, Yongjae Lee,
- Abstract要約: SimStockは、財務時系列データの堅牢で情報的な表現を学ぶための時間的自己教師型学習フレームワークである。
我々は、何千ものストックを持つ現実世界の4つのデータセットで実験を行い、SimStockが類似のストックを見つけるのに有効であることを実証し、既存の手法より優れています。
- 参考スコア（独自算出の注目度）: 32.01109026974077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the era of rapid globalization and digitalization, accurate identification of similar stocks has become increasingly challenging due to the non-stationary nature of financial markets and the ambiguity in conventional regional and sector classifications. To address these challenges, we examine SimStock, a novel temporal self-supervised learning framework that combines techniques from self-supervised learning (SSL) and temporal domain generalization to learn robust and informative representations of financial time series data. The primary focus of our study is to understand the similarities between stocks from a broader perspective, considering the complex dynamics of the global financial landscape. We conduct extensive experiments on four real-world datasets with thousands of stocks and demonstrate the effectiveness of SimStock in finding similar stocks, outperforming existing methods. The practical utility of SimStock is showcased through its application to various investment strategies, such as pairs trading, index tracking, and portfolio optimization, where it leads to superior performance compared to conventional methods. Our findings empirically examine the potential of data-driven approach to enhance investment decision-making and risk management practices by leveraging the power of temporal self-supervised learning in the face of the ever-changing global financial landscape.
- Abstract（参考訳）: 急速なグローバル化とデジタル化の時代には、金融市場の非定常性や従来の地域・セクター分類の曖昧さにより、類似株の正確な識別がますます困難になっている。
これらの課題に対処するために,自己教師付き学習(SSL)と時間領域一般化の技法を組み合わせて,財務時系列データの堅牢かつ情報的表現を学習する,新しい時間的自己教師型学習フレームワークであるSimStockについて検討する。
本研究の主な焦点は、世界的な金融情勢の複雑なダイナミクスを考慮して、より広い視点から株式間の類似性を理解することである。
我々は、何千ものストックを持つ現実世界の4つのデータセットに関する広範な実験を行い、SimStockが類似のストックを見つけるのに有効であることを実証し、既存の手法より優れていることを示す。
SimStockの実用性は、ペアトレーディング、インデックストラッキング、ポートフォリオ最適化といった様々な投資戦略に適用することで示され、従来の方法よりも優れたパフォーマンスをもたらす。
本研究は、グローバルな金融環境の変化に直面して、時間的自己監督学習の力を活用して、投資意思決定とリスクマネジメントの実践を強化するためのデータ駆動型アプローチの可能性について実証的に検討した。
関連論文リスト
- Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [50.67937325077047]
本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。
以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。
IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
論文 参考訳（メタデータ） (2024-11-15T15:18:57Z) - 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) - Uniting contrastive and generative learning for event sequences models [51.547576949425604]
本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。
いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
論文 参考訳（メタデータ） (2024-08-19T13:47:17Z) - 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) - AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。
次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
論文 参考訳（メタデータ） (2024-03-19T09:45:33Z) - MTRGL:Effective Temporal Correlation Discerning through Multi-modal
Temporal Relational Graph Learning [2.879827542529434]
我々はMTRGL(Multi-modal Temporal Relation Graph Learning)という新しいフレームワークを導入する。
MTRGLは時系列データと離散的な特徴を時間グラフに結合し、メモリベースの時間グラフニューラルネットワークを使用する。
実世界のデータセットを用いた実験により,MTRGLの優れた性能が確認された。
論文 参考訳（メタデータ） (2024-01-25T14:21:14Z) - A Comprehensive Survey of Continual Learning: Theory, Method and
Application [64.23253420555989]
本稿では,基礎的設定,理論的基礎,代表的方法,実践的応用を橋渡しする継続的学習に関する包括的調査を行う。
連続学習の一般的な目的は、資源効率の文脈において、適切な安定性と塑性のトレードオフと適切なタスク内/タスク内一般化性を保証することであると要約する。
論文 参考訳（メタデータ） (2023-01-31T11:34:56Z) - Deep Portfolio Optimization via Distributional Prediction of Residual
Factors [3.9189409002585562]
そこで本稿では,残余要因と呼ばれる金融量分布の予測に基づくポートフォリオ構築手法を提案する。
本手法が米国および日本の株式市場データに有効であることを実証する。
論文 参考訳（メタデータ） (2020-12-14T04:09:52Z) - 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) - Time your hedge with Deep Reinforcement Learning [0.0]
深層強化学習(DRL)は、市場情報とヘッジ戦略の割り当て決定の間のダイナミックな依存関係を作成することで、この課題に対処することができる。
i)行動決定に追加の文脈情報を使用し、(ii)共通の資産運用者の1日のラグ転倒を考慮し、ヘッジの再均衡を図るための観察と行動の間に1期間の遅れがあり、(iii)アンカードウォークフォワードトレーニングと呼ばれる反復的な試験方法により、安定性とロバスト性の観点から完全にテストされており、(iv)時系列のkフォールドクロスバリデーションと同様に、ヘッジの活用を可能にする。
論文 参考訳（メタデータ） (2020-09-16T06:43:41Z)
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。