論文の概要: Contrastive Learning of Asset Embeddings from Financial Time Series

• arxiv url: http://arxiv.org/abs/2407.18645v1
• Date: Fri, 26 Jul 2024 10:26:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-29 13:50:27.533253
• Title: Contrastive Learning of Asset Embeddings from Financial Time Series
• Title（参考訳）: 金融時系列からの集合埋め込みのコントラスト学習
• Authors: Rian Dolphin, Barry Smyth, Ruihai Dong,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.595725772518332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representation learning has emerged as a powerful paradigm for extracting valuable latent features from complex, high-dimensional data. In financial domains, learning informative representations for assets can be used for tasks like sector classification, and risk management. However, the complex and stochastic nature of financial markets poses unique challenges. We propose a novel contrastive learning framework to generate asset embeddings from financial time series data. Our approach leverages the similarity of asset returns over many subwindows to generate informative positive and negative samples, using a statistical sampling strategy based on hypothesis testing to address the noisy nature of financial data. We explore various contrastive loss functions that capture the relationships between assets in different ways to learn a discriminative representation space. Experiments on real-world datasets demonstrate the effectiveness of the learned asset embeddings on benchmark industry classification and portfolio optimization tasks. In each case our novel approaches significantly outperform existing baselines highlighting the potential for contrastive learning to capture meaningful and actionable relationships in financial data.
• Abstract（参考訳）: 表現学習は複雑な高次元データから価値ある潜在特徴を抽出するための強力なパラダイムとして登場した。 金融分野では、部門分類やリスク管理といったタスクに資産についての情報表現を学ぶことができる。 しかし、金融市場の複雑で確率的な性質は、独特な課題を生んでいる。 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またがる資産返却の類似性を利用して,情報的正・負のサンプルを生成し,仮説テストに基づく統計的サンプリング戦略を用いて財務データのノイズ特性に対処する。 我々は、異なる方法で資産間の関係を捉え、差別的な表現空間を学習する様々な対照的な損失関数を探索する。 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。 それぞれのケースにおいて、我々の新しいアプローチは、財務データにおける有意義で行動可能な関係を捉えるための対照的な学習の可能性を強調した既存のベースラインを著しく上回ります。

関連論文リスト

• Collaborative Optimization in Financial Data Mining Through Deep Learning and ResNeXt [4.047576220541502]
  本研究ではResNeXtに基づくマルチタスク学習フレームワークを提案する。 提案手法は精度,F1スコア,ルート平均二乗誤差,その他の指標において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-23T06:14:15Z)
• 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)
• Multi-Task Learning for Features Extraction in Financial Annual Reports [6.442186704634672]
  我々は、財務テキスト分類に様々なマルチタスク学習手法を用いる。 我々は,金銭的感情,客観性,前向きな文予測,ESGコンテンツ検出に重点を置いている。 FTSE350企業の年次報告からテキストの特徴を抽出し,ESG定量スコアとそれらの特徴との関係について検討する。
  論文  参考訳（メタデータ） (2024-04-08T08:13:40Z)
• CTP: Towards Vision-Language Continual Pretraining via Compatible Momentum Contrast and Topology Preservation [128.00940554196976]
  Vision-Language Continual Pretraining (VLCP)は、大規模なデータセット上でオフラインでトレーニングすることで、さまざまな下流タスクに対して印象的な結果を示している。 VLCP(Vision-Language Continual Pretraining)の研究を支援するために,我々はまず,包括的で統一されたベンチマークデータセットP9Dをコントリビュートする。 独立したタスクとしての各業界からのデータは、継続的な学習をサポートし、Webデータの事前学習をシミュレートする現実世界のロングテールな性質に準拠している。
  論文  参考訳（メタデータ） (2023-08-14T13:53:18Z)
• Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
  本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。 我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-04-17T01:33:24Z)
• Stock Embeddings: Learning Distributed Representations for Financial Assets [11.67728795230542]
  本稿では,過去のリターンデータのダイナミクスを利用する,ストック埋め込みのトレーニングのためのニューラルモデルを提案する。 当社のアプローチを詳細に説明し、金融分野で使用可能ないくつかの方法について論じる。
  論文  参考訳（メタデータ） (2022-02-14T15:39:06Z)
• What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
  本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。 本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
  論文  参考訳（メタデータ） (2022-02-12T06:10:15Z)
• Fair Active Learning: Solving the Labeling Problem in Insurance [2.5470832667329213]
  本報告では, 各種アクティブラーニングサンプリング手法について検討し, 総合的および実保険データセットに与える影響について検討する。 提案手法は,予測性能と公正性のバランスを良好に保ちながら,情報および公正な事例を抽出する。
  論文  参考訳（メタデータ） (2021-12-17T12:07:04Z)
• Single-Modal Entropy based Active Learning for Visual Question Answering [75.1682163844354]
  視覚質問応答(VQA)のマルチモーダル設定におけるアクティブラーニングに対処する マルチモーダルな入力,画像,質問を考慮し,有効サンプル取得のための新しい手法を提案する。 私たちの新しいアイデアは、実装が簡単で、コスト効率が高く、他のマルチモーダルタスクにも容易に適応できます。
  論文  参考訳（メタデータ） (2021-10-21T05:38:45Z)
• Rebuilding Trust in Active Learning with Actionable Metrics [77.99796068970569]
  アクティブラーニング(AL)は研究の活発な領域であるが、プレッシャーのあるニーズにもかかわらず、業界ではほとんど使われない。 これは部分的には目的のずれによるものであり、研究は選択したデータセットで最高の結果を得るよう努力している。 積極的学習における産業実践者の信頼回復を支援するために,様々な活動可能な指標を提示する。
  論文  参考訳（メタデータ） (2020-12-18T09:34:59Z)

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。